混沌时间序列多步自适应预测方法

针对混沌时间序列局域自适应预测方法在多步预测中预测器系数无法调节的问题，根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点，提出了混沌时间序列多步自适应预测方法.仿真结果表明，此方法的多步预测性能明显好于局域自适应预测方法的多步预测性能. 关键词： 多步自适应预测方法 局域自适应预测方法 混沌时间序列     

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     

时空混沌序列的局域支持向量机预测

结合局域预测法计算速度快的优点和支持向量机的泛化性能好、全局最优、稀疏解等特性，用局域支持向量机预测研究了时空混沌序列的局域预测性能，并用局域支持向量机预测模型讨论了嵌入维数、邻近个数选择以及时空混沌的耦合方式和格子间的耦合强度变化对时空混沌局域预测性能的影响.研究结果表明：局域支持向量机不仅比全局支持向量机、局域零阶预测、局域线性预测等方法具有更好的预测性能，且具有对嵌入维数和邻近个数不敏感的优点；时空混沌的耦合方式和格子间的耦合强度对时空混沌序列的预测性能有明显影响.     

基于条件熵扩维的多变量混沌时间序列相空间重构

提出一种多变量混沌时间序列相空间重构的条件熵扩维方法.首先使用互信息法求解每个变量的时间延迟,其次按条件熵最大原则逐步扩展相空间的嵌入维数,使得重构坐标从低维到高维的转换保持较强的独立性,最终的重构相空间具有较低的冗余度,为多变量时间序列的预测构造了有效的模型输入向量.通过对几个经典多变量混沌时间序列进行数值实验,结果表明该方法比单变量预测和已有多变量预测方法具有更好的预测效果,说明了该重构方法的有效性. 关键词： 多变量混沌时间序列 相空间重构 条件熵 神经网络预测     

基于混沌算子网络的时间序列多步预测研究

结合相空间重构理论和时间序列分析理论,提出一种用于时间序列多步预测的网络模型.网络采用多个混沌算子加权求和的形式构成.网络各层单元采用固定权值连接,混沌算子的控制参数利用混沌优化算法进行训练调节,从而控制预测网络的动力学行为.利用已知时间序列数据构造出训练样本,训练样本在网络训练过程中仅使用一次,促使网络的动力学特性随时间的推移而变化,并逐渐逼近被预测系统的动力学特性,最终完成对未来时刻数据的预测.在对理论数据进行预测分析时,通过计算预测序列的Lyapunov指数验证了预测网络的有效性.在对实际时间序列的预测过程中,该网络表现出了良好的预测性能.仿真结果表明,该预测网络可对多种时间序列在一定的预测步长范围内实现有效的预测.     

基于极端学习机的多变量混沌时间序列预测

针对多变量混沌时间序列预测问题, 提出了一种基于输入变量选择和极端学习机的预测模型. 其基本思想是 对多变量混沌时间序列进行相空间重构后, 采用互信息方法选择与预测输出统计相关最高的重构输入变量, 借助极端学习机的通用逼近能力建立多变量混沌时间序列的预测模型. 为进一步提高预测精度, 采用模型选择算法选择具有最小期望风险的极端学习机预测模型. 基于Lorenz, Rössler多变量混沌时间序列及Rössler超混沌时间序列的仿 真结果证明所提方法的有效性.     

Modelling of chaotic systems based on modified weighted recurrent least squares support vector machines

Positive Lyapunov exponents cause the errors in modelling of the chaotic time series to grow exponentially. In this paper, we propose the modified version of the support vector machines (SVM) to deal with this problem. Based on recurrent least squares support vector machines (RLS-SVM), we introduce a weighted term to the cost function tocompensate the prediction errors resulting from the positive global Lyapunov exponents. To demonstrate the effectiveness of our algorithm, we use the power spectrum and dynamic invariants involving the Lyapunov exponents and the correlation dimension as criterions, and then apply our method to the Santa Fe competition time series. The simulation results shows that the proposed method can capture the dynamics of the chaotic time series effectively.     

混沌时间序列全局预测新方法——连分式法

拓展了多项式逼近理论，利用连分式法建立了混沌时间序列非线性全局预测模型，此模型替代混沌序列的动力学方程，实现对其动力学特性分析，达到预测目的. 理论分析和仿真实验表明，连分式法能够有效预测一些混沌序列，该方法预测精度高，并且能得到显式的预测表达式. 关键词： 混沌时间序列 全局预测 连分式     

混沌直接序列扩频信号盲解调的硬件电路实现

提出了基于现场可编程门阵列 (FPGA) 技术的混沌直接序列扩频信号盲解调的硬件电路实现方法. 设计了混沌直接序列扩频信号发射机与接收机. 发射机可产生10种不同的混沌直接序列扩频信号. 为方便接收机的硬件电路实现, 对无先导卡尔曼滤波混沌拟合盲解调算法进行了简化, 在简化模型的基础上设计了接收机硬件结构. 提出了一种动态调整偏移因子的新方法, 使接收机能实时适应混沌映射的变化. 通过高斯白噪声信道及多径信道条件下的盲解调实验, 验证了盲解调算法硬件实现的抗噪声与抗多径性能, 以及对10种不同的混沌直接序列扩频信号的自适应破译效果. 关键词： FPGA 混沌直接序列扩频通信 盲解调     

基于在线最小二乘支持向量机回归的混沌时间序列预测

提出了一种基于在线最小二乘支持向量机（LS-SVM）回归的混沌时间序列的预测方法.与离线支持向量机相比，在线最小二乘支持向量机预测方法即使当混沌系统的参数随时间变化时仍然有效.以Chen's混沌系统、Rssler混沌系统、Hénon映射及脑电(EEG)信号四种混沌时 间序列为例评估本文提出的预测方法，结果验证了其混沌时间序列预测的有效性. 关键词： 混沌时间序列 预测 在线学习 支持向量机     

短时交通流复杂动力学特性分析及预测

为揭示短时交通流的内在动态特性,利用非线性方法对交通流混沌特性进行识别,为短时交通流的预测提供基础.基于混沌理论对交通流时间序列进行相空间重构,利用C-C算法计算时间延迟和嵌入维数,采用Grassberger-Procaccia算法计算吸引子关联维数,通过改进小数据量法计算最大Lyapunov指数来判别交通流时间序列的混沌特性.针对局域自适应预测方法在交通流多步预测中预测器系数无法调节的问题,提出了交通流多步自适应预测方法.通过实测数据计算,结果表明:2,4和5 min三种统计尺度的交通流时间序列均具有混沌特性;改进的小数据量法能够准确地计算出最大Lyapunov指数;构建的交通流多步自适应预测模型能够有效地预测交通流量的变化.为智能交通系统诱导和控制提供了依据.     

混沌时间序列的一种局域离散余弦变换域Volterra预测

提出了一种局域离散余弦变换（DCT）域Volterra预测，并用于混沌时间序列预测。DCT被用来减少Volterra预测器的矩阵计算复杂性。数值仿真结果表明：本文提出的方法比传统的局域线性预测方法能更有效地预测混沌时间序列和预测精度。     

基于混合神经网络和注意力机制的混沌时间序列预测

为提高混沌时间序列的预测精度,提出一种基于混合神经网络和注意力机制的预测模型(Att-CNNLSTM),首先对混沌时间序列进行相空间重构和数据归一化,然后利用卷积神经网络(CNN)对时间序列的重构相空间进行空间特征提取,再将CNN提取的特征和原时间序列组合,用长短期记忆网络(LSTM)根据空间特征提取时间特征,最后通过注意力机制捕获时间序列的关键时空特征,给出最终预测结果.将该模型对Logistic,Lorenz和太阳黑子混沌时间序列进行预测实验,并与未引入注意力机制的CNN-LSTM模型、单一的CNN和LSTM网络模型、以及传统的机器学习算法最小二乘支持向量机(LSSVM)的预测性能进行比较.实验结果显示本文提出的预测模型预测误差低于其他模型,预测精度更高.     

基于支持向量机方法对非平稳时间序列的预测

目前有关非平稳复杂系统及其在预测中的应用研究是一个较少被人理解并有重大科学意义的前瞻性研究课题.在大气运动中,气候正是一个典型的非平稳系统,但是现有的气候预测理论,包括统计预测理论和非线性预测理论,几乎都无一例外地建立在平稳性假定的基础之上,这有悖于气候过程的基本性质,它有可能是导致气候预测水平低下的重要的理论原因.因此以分析如何降低时间序列非平稳程度作为切入点来研究短期气候预测问题有着重要的理论意义.利用基于“升维”思想的支持向量机方法对时变控制参数条件下Lorenz系统产生的非平稳时间序列以及来自实际 关键词： 支持向量机 非平稳过程 预测     

Error criteria for cross validation in the context of chaotic time series prediction

The prediction of a chaotic time series over a long horizon is commonly done by iterating one-step-ahead prediction. Prediction can be implemented using machine learning methods, such as radial basis function networks. Typically, cross validation is used to select prediction models based on mean squared error. The bias-variance dilemma dictates that there is an inevitable tradeoff between bias and variance. However, invariants of chaotic systems are unchanged by linear transformations; thus, the bias component may be irrelevant to model selection in the context of chaotic time series prediction. Hence, the use of error variance for model selection, instead of mean squared error, is examined. Clipping is introduced, as a simple way to stabilize iterated predictions. It is shown that using the error variance for model selection, in combination with clipping, may result in better models.     

基于支持向量机方法对非平稳时间序列的预测

目前有关非平稳复杂系统及其在预测中的应用研究是一个较少被人理解并有重大科学意义的前瞻性研究课题.在大气运动中,气候正是一个典型的非平稳系统,但是现有的气候预测理论,包括统计预测理论和非线性预测理论,几乎都无一例外地建立在平稳性假定的基础之上,这有悖于气候过程的基本性质,它有可能是导致气候预测水平低下的重要的理论原因.因此以分析如何降低时间序列非平稳程度作为切入点来研究短期气候预测问题有着重要的理论意义.利用基于“升维”思想的支持向量机方法对时变控制参数条件下Lorenz系统产生的非平稳时间序列以及来自实际     

Prediction of chaotic time series based on modified minimax probability machine regression

Long-term prediction of chaotic time series is very difficult,for the Chaos restricts predictability.in this paper a new method is studied to model and predict chaotic time series based on minimax probability machine regression （MPMR）. Since the positive global Lyapunov exponents lead the errors to increase exponentially in modelling the chaotic time series, a weighted term is introduced to compensate a cost function. Using mean square error （MSE） and absolute error （AE） as a criterion, simulation results show that the proposed method is more effective and accurate for multistep prediction. It can identify the system characteristics quite well and provide a new way to make long-term predictions of the chaotic time series.[第一段]     

Nonlinear noise reduction for electrocardiograms

The electrical activity of the heart usually shows dynamical behavior which is neither periodic nor deterministically chaotic: The interbeat intervals seem to contain a random component. Although long term predictions are thus impossible, good predictions can be made for times smaller than one heart cycle. This fact is used in order to suppress measurement errors by a local geometric projection method which was originally developed for chaotic signals. The result constitutes evidence that techniques of time series analysis based on chaos theory can be useful despite the fact that very few natural phenomena have been actually established to be deterministically chaotic. (c) 1996 American Institute of Physics.     

Multimodality Prediction of Chaotic Time Series with Sparse Hard-Cut EM Learning of the Gaussian Process Mixture Model

The contribution of this work is twofold:(1) a multimodality prediction method of chaotic time series with the Gaussian process mixture(GPM) model is proposed, which employs a divide and conquer strategy. It automatically divides the chaotic time series into multiple modalities with different extrinsic patterns and intrinsic characteristics, and thus can more precisely fit the chaotic time series.(2) An effective sparse hard-cut expectation maximization(SHC-EM) learning algorithm for the GPM model is proposed to improve the prediction performance. SHC-EM replaces a large learning sample set with fewer pseudo inputs, accelerating model learning based on these pseudo inputs. Experiments on Lorenz and Chua time series demonstrate that the proposed method yields not only accurate multimodality prediction, but also the prediction confidence interval. SHC-EM outperforms the traditional variational learning in terms of both prediction accuracy and speed. In addition,SHC-EM is more robust and insusceptible to noise than variational learning.     

Improving the prediction of chaotic time series

One of the features of deterministic chaos is sensitive to initial conditions. This feature limits the prediction horizons of many chaotic systems. In this paper, we propose a new prediction technique for chaotic time series. In our method, some neighbouring points of the predicted point, for which the corresponding local Lyapunov exponent is particularly large, would be discarded during estimating the local dynamics, and thus the error accumulated by the prediction algorithm is reduced. The model is tested for the convection amplitude of Lorenz systems. The simulation results indicate that the prediction technique can improve the prediction of chaotic time series.