混沌时间序列的自适应高阶非线性滤波预测

根据混沌序列产生的确定性和非线性机制,基于Volterra级数展式和混沌序列高阶奇异谱特征,提出了一种高阶非线性傅里叶红外(HONFIR)滤波预测模型用于混沌时间序列的自适应预测.其自适应算法采用时域正交算法来自适应地跟踪混沌的运动轨迹,而不是重构混沌系统 的全局或局部运动轨迹.实验研究表明：(1)这种HONFIR自适应滤波器能够有效地预测一些超 混沌序列.(2)预测混沌序列的性能与预测模型的非线性拟合能力有关,但并非非线性程度越 高,预测性能就越好.(3)当HONFIR滤波器对混沌序列的非线性拟合精度高时,其自适应预测 的性能与其输入维数的关系不受Takens嵌入定理的约束.(4)HONFIR自适应滤波器具有一定的 抗噪能力. 关键词： 混沌 非线性模型 滤波器     

连续混沌信号的离散余弦变换域二次实时滤波预测

提出了少参数二阶Volterra滤波器的一种离散余弦变换(DCT)域二次滤波实现结构及其NLMS自适应算法，并用这种DCT域二次滤波预测器研究了三种连续混沌信号的非线性实时多步预测性能. 仿真研究结果表明：(1) 这种DCT域二次滤波预测器比少参数二阶Volterra滤波器的一步预测均方误差性能提高了100倍，表明这种实现结构简单、易实现，且具有更好的收敛性能；（2）采用这种滤波预测器对三种连续混沌时间序列的实时多步预测性能明显优于局域法的多步预测性能. 关键词： 混沌 实时预测 NLMS自适应算法     

用于混沌时间序列自适应预测的一种少参数二阶Volterra滤波器

研究了二阶Volterra滤波器的一种乘积耦合近似实现结构及其非线性NLMS自适应算法,并用这种少参数二阶Volterra滤波器(RPSOVF)研究了一些混沌信号的非线性自适应预测性能.仿真研究结果表明:所给出的非线性NLMS自适应算法能够保证这种RPSOVF的稳定性和收敛性,且RPSOVF用这种非线性NLMS自适应算法能够自适应预测一些混沌时间序列. 关键词： 混沌 非线性自适应预测 Volterra滤波器 非线性NLMS自适应算法     

用一种少参数非线性自适应滤波器自适应预测低维混沌时间序列

基于混沌动力系统的相空间延迟坐标重构,利用混沌序列固有的确定性和非线性,提出了用 于混沌时间序列预测的一种少参数非线性自适应滤波预测模型.该预测模型在Volterra自适 应滤波器的基础上引入sigmoid函数来减少待定参数.实验研究表明,这种少参数非线性自适 应滤波预测器仅需用50个样本经20次预训练后,就能有效地预测一些低维混沌序列,且这种 少参数非线性自适应滤波预测器更便于工程实现. 关键词： 混沌 非线性自适应预测 少参数非线性自适应滤波器 自适应算法     

一种基于三阶Volterra滤波器的混沌时间序列自适应预测方法

基于Takens的相空间延迟坐标重构,研究了用于混沌信号预测的三阶Volterra滤波器的一种乘积耦合近似实现结构,并应用于典型的低维混沌时间序列和具有高维混沌特性的EEG信号的预测.数值研究表明:这种滤波器结构对于低维混沌时间序列的预测精度可以比二阶Volterra滤波器提高103倍,而且能够较好地对一些具有高维混沌特性的EEG信号进行预测 关键词： 混沌 非线性自适应预测 三阶Volterra滤波器 electroencephalography信号     

风电功率时间序列混沌特性分析及预测模型研究

为揭示风电功率序列内在的动态特性, 利用非线性方法对风电时间序列混沌特性进行识别, 为对风电功率进行预测提供了基础.首先对某风电场的风电功率时间序列的日相关性进行了分析;然后在相空间重构的基础上计算了风电序列的最大Lyapunov指数, 验证了风电时间序列的混沌特性;由于采用Volterra滤波器多步预测法对风电功率进行超短期预测误差较大, 利用局域多步预测法以及最大Lyapunov指数法的预测结果并结合加权马尔科夫链和有序算子对Volterra滤波器的预测结果进行校正.最后以某实际风电场的风电功率预测为算例, 仿真结果表明校正预测模型有效的提高了预测精度, 其为利用Volterra滤波器多步法进行风电预测提供了有益的参考.     

混沌时间序列的Volterra自适应预测

基于混沌动力系统相空间的延迟坐标重构,提出了一种预测混沌时间序列的Volterra自适应滤波预测法,对8种低维混沌序列采用二阶Volterra自适应滤波器进行预测的实验结果表明:当滤波器的长度Nl足够大时,Volterra自适应滤波器能够有效地预测低维混沌时间序列,且Nl的选择不仅与D2有关,还与混沌映射的光滑程度有关 关键词：     

连续混沌系统的非线性自适应预测跟踪控制

基于混沌时间序列的非线性自适应预测原理,用一种sigmoid-Volterra自适应预测滤波器研究了连续混沌系统的非线性自适应预测跟踪控制.通过对Lorenz,R?ssler等典型混沌系统的控制,仿真证实了这种sigmoid-Volterra自适应预测控制器的有效性.这种方法的优点在于它既不需要知道精确的混沌系统模型,也不需要进行系统模型辨识. 关键词： 混沌 sigmoid-Volterra自适应预测滤波器 非线性自适应预测跟踪     

供热负荷时间序列混沌特性分析及预报模型研究

为揭示供热负荷时间序列蕴含的内在动态特性,采用非线性分析方法对供热负荷时间序列混沌特性进行识别.以集中供热热源和热力站负荷时间序列为研究对象,进行相空间重构,求得了饱和关联维数和最大Lyapunov指数,验证了供热负荷时间序列的混沌特性,为供热负荷预报研究提供了混沌理论基础.针对现有供热负荷预报方法多为主观模型方法,本文提出了一种基于Volterra自适应滤波器的供热负荷预报方法,该方法不必事先建立主观模型,而直接根据负荷序列本身的特性进行预报,避免了负荷预报的人为主观性.最后,给出了供热负荷预报算例,仿真结果表明二阶Volterra自适应滤波器模型预报精度较高,可满足供热工程节能控制及热力调度的需要. 关键词： 供热节能 负荷预报 混沌 Volterra自适应滤波器     

基于Weiner模型超混沌lü系统的自适应辨识

为了能实时而有效地辨识参数不确定的超混沌lü系统,以便于对该系统进行控制或跟踪,本文提出了一种基于Wiener模型自适应分段线性(PWL)滤波器的超混沌系统辨识方法.Wiener模型的线性部分采用了线性横向滤波器,非线性部分用分段线性滤波器近似表示.根据最小均方误差准则导出了滤波器参数更新算法,并进一步推导出算法的收敛性条件.计算机仿真证实了该自适应滤波器辨识超混沌系统的有效性.该方法不仅克服了自适应线性滤波器难以辨识出这类强非线性系统,而且比其他非线性自适应滤波器的计算复杂性低得多.     

Multi-step-prediction of chaotic time series based on co-evolutionary recurrent neural network

This paper proposes a co-evolutionary recurrent neural network （CERNN） for the multi-step-prediction of chaotic time series, it estimates the proper parameters of phase space reconstruction and optimizes the structure of recurrent neural networks by coevolutionary strategy. The searching space was separated into two subspaces and the individuals are trained in a parallel computational procedure. It can dynamically combine the embedding method with the capability of recurrent neural network to incorporate past experience due to internal recurrence. The effectiveness of CERNN is evaluated by using three benchmark chaotic time series data sets： the Lorenz series, Mackey-Glass series and real-world sun spot series. The simulation results show that CERNN improves the performances of multi-step-prediction of chaotic time series.     

Neural Volterra filter for chaotic time series prediction

A new second-order neural Volterra filter （SONVF） with conjugate gradient （CG） algorithm is proposed to predict chaotic time series based on phase space delay-coordinate reconstruction of chaotic dynamics system in this paper, where the neuron activation functions are introduced to constraint Volterra series terms for improving the nonlinear approximation of second-order Volterra filter （SOVF）. The SONVF with CG algorithm improves the accuracy of prediction without increasing the computation complexity. Meanwhile, the difficulty of neuron number determination does not exist here. Experimental results show that the proposed filter can predict chaotic time series effectively, and one-step and multi-step prediction performances are obviously superior to those of SOVF, which demonstrate that the proposed SONVF is feasible and effective.     

行波管放大器中的电子混沌现象

用自洽方程模拟了波-粒相互作用过程中的电子混沌行为.结果表明：随着电流的增大，电子在相空间的运动轨道将变得混沌，混沌轨道受失谐量的影响.在时间上，电子混沌比场的极限环和混沌振荡出现要早.与场出现极限环振荡的电流阈值相比,出现电子混沌的电流阈值要小；在场呈极限环状态的“软”非线性区域，电子的混沌轨道占据大部分相空间；而在场混沌的“硬”非线性区域，混沌轨道则弥漫在整个相空间.当电流一定时,电子的混沌运动图样是不变的；在一定的电流范围内， 场的极限环和混沌振荡特征是确定的， 但它们的输出功率是不确定的. 关键词： 行波管放大器 电子混沌 相空间轨道 非线性相互作用     

基于模糊边界模块化神经网络的混沌时间序列预测

提出一种模糊边界模块化神经网络（FBMNN）的混沌时间序列预测方法,该方法先对混沌时间序列观测点重构的相空间进行模块化划分,划分点的选取由遗传算法自动寻优.然后定义一个模糊隶属度函数,在划分边界一侧按照一定的模糊隶属度设定模糊边界带,通过模糊化处理,解决了各模块划分点附近预测结果的跳跃问题.最后每一模块,及其模糊边界的样本点都对应一个递归神经网络进行训练,通过预测合成模块输出结果.该方法对三个混沌时间序列基准数据集Mackey-Glass,Lorenz,Henon进行实验,结果表明该方法有效地提高了混沌时间序列预测效果. 关键词： 模糊边界 模块化神经网络 混沌时间序列 预测     

多元混沌时间序列的多核极端学习机建模预测

多元混沌时间序列广泛存在于自然、经济、社会、工业等领域. 对多元混沌时间序列进行建模预测有助于人类更好地管理, 控制与决策. 针对多元混沌时间序列的建模预测问题, 本文提出一种基于多核极端学习机的预测方法. 首先对多元混沌时间序列进行相空间重构, 将多元混沌时间序列序列的时间相关性转化为空间相关性. 提出一种结合多核学习算法与核极端学习机模型的多核极端学习机建立相空间中输入输出数据的非线性映射. 多核极端学习机模型结合了多核学习算法的数据融合能力以及核极端学习机的训练简便优势. 基于Lorenz混沌时间序列预测和San Francisco河流月径流量预测的仿真实验表明, 与其他常见混沌时间序列预测方法相比, 本文提出的基于多核极端学习机的多元混沌时间序列预测方法具有更小的预测误差.     

语音信号序列的Volterra预测模型

对给定的英语音素、单词和语句进行了采集并完成预处理. 分别应用互信息法和Cao 氏法确定了实际采集的语音信号序列的延迟时间和嵌入维数, 以完成语音序列的相空间重构. 通过计算实际采集的语音信号序列的最大Lyapunov指数, 完成了语音信号的混沌特性识别, 判定其具有混沌特性. 引入Volterra级数, 提出了一种具有显式结构的语音信号非线性预测模型. 为克服最小均方误差算法在Volterra模型系数更新时固有的缺点, 在最小二乘法基础上, 应用基于后验误差假设的可变收敛因子技术, 构建了一种基于Davidon-Fletcher-Powell算法的二阶Volterra 模型(DFPSOVF), 并将其应用于具有混沌特性的语音信号序列预测. 仿真结果表明: DFPSOVF非线性预测模型对于单帧和多帧语音信号均具有更好的预测精度, 优于线性预测模型, 并且能够很好地反映语音序列变化的趋势和规律, 完全可以满足语音预测的要求; 可以根据语音信号序列的嵌入维数选取预测模型的记忆长度. 所提出模型可以为语音信号重构和压缩编码开辟一条新途径, 以改善语音信号处理方法的复杂度和处理效果.