用于混沌时间序列预测的组合核函数最小二乘支持向量机

针对混沌时间序列的预测问题,考虑到单一核函数的最小二乘支持向量机无法明显提高预测精度,提出了一种组合核函数的最小二乘支持向量机预测模型,模型中采用多项式函数与径向基函数组合构建核函数.同时,还对遗传算法进行了改进,使之具有更快的收敛速度和更高的精度,改进的遗传算法适用于解决预测模型中的参数优化问题.通过典型的Lorenz时间序列、Mackey-Glass时间序列、太阳黑子数时间序列以及具有混沌特性的网络流量时间序列对该模型进行了验证.仿真结果表明所提出的模型是有效的.     

基于差分进化算法的混沌时间序列预测模型参数组合优化

为了提高混沌时间序列预测模型的预测精度,提出一种基于差分进化（DE）算法的相空间重构和最小二乘支持向量机（LSSVM）模型参数组合优化方法．该方法将相空间重构参数和LSSVM预测模型参数进行组合作为差分进化算法的个体,以混沌时间序列预测精度作为个体的适应度函数,通过循环迭代获得最优参数组合．几个混沌时间序列的仿真实验结果表明,与传统的优化方法相比,参数组合优化方法具有更高的预测精度．     

基于高斯过程的混沌时间序列单步与多步预测

针对混沌时间序列单步和多步预测,提出基于复合协方差函数的高斯过程 (GP)模型方法.GP模型的确立由协方差函数决定,通过对训练数据集的学习,在证据最大化框架内,利用矩阵运算和优化算法自适应地确定协方差函数和均值函数中的超参数.GP模型与神经网络、模糊模型相比,其可调整参数很少.将不同复合协方差函数的GP模型应用在混沌时间序列单步及多步提前预测中,并与单一协方差函数的GP、支持向量机、最小二乘支持向量机、径向基函数神经网络等方法进行了比较.仿真结果表明,基于不同复合协方差函数的GP方法能精确地预测混沌时间序 关键词： 高斯过程 混沌时间序列 预测 模型比较     

一种新型广义RBF神经网络在混沌时间序列预测中的研究

提出了一种新颖的广义径向基函数神经网络模型,其径向基函数(RBF)的形式由生成函数确定.然后,给出了易实现的梯度学习算法,同时为了进一步提高网络的收敛速度和网络性能,又给出了基于卡尔曼滤波的动态学习算法.为了验证网络的学习性能，采用基于卡尔曼滤波算法的新型广义RBF网络预测模型对Mackey-Glass混沌时间序列和Henon映射进行了仿真.结果表明,所提出的新型广义RBF神经网络模型能快速、精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法. 关键词： 广义径向基函数神经网络 卡尔曼滤波 梯度下降学习算法 混沌时间序列 预测     

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.     

短期风速时间序列混沌特性分析及预测

针对短期风速时间序列的预测问题进行了研究. 首先通过0-1混沌测试法确定短期风速时间序列具有混沌特性. 采用相空间重构技术, 利用C-C算法确定延迟时间, G-P 算法确定嵌入维数. 然后提出一种参数在线修正的最小二乘支持向量机预测模型, 采用改进的粒子群算法进行预测模型中参数的优化. 最后通过仿真对比实验表明提出的预测方法在预测精度、预测误差、预测效果方面都要优于其他常见的预测方法, 证明该预测方法是有效的.     

粒子群算法优化相空间重构参数的网络流量预测模型

在网络流量预测过程中,相空间重构参数是影响预测性能的重要方面,传统参数分开优化,为了提高网络流量的预测精度,提出一种粒子群算法优化相空间重构参数的网络流量预测模型(PSO-BPNN);首先将BP神经网络作为学习算法,然后采用粒子群算法对相空间重构参数—延迟时间和嵌入维进行联合优化,并重构网络流量序列,最后以小波BP神经网络建立最优络流量预测模型,并采用仿真实验对模型性能进行分析,结果表明,PSO-BPNN提高了网络流量的预测精度。     

基于粒子群支持向量机的海杂波序列回归预测

在雷达数据处理中,为更好地抑制海杂波,预测海杂波是必要的;海杂波具有混沌特性,而支持向量机算法能够有效地对混沌序列进行回归预测,文章提出了一种改进的支持向量机海杂波序列回归预测算法;文中给出了算法的框架结构,采用了互信息法和改进的伪邻近点法提取海杂波混沌特性的延迟时间和嵌入维数,利用相空间重构求取SVM训练样本,应用改进的PSO算法优化SVM的核函数参数以及惩罚系数,并仿真了预测模型;仿真实验结果表明:海杂波回归预测能达到满意的精度,而PSO-SVM方法比SVM方法的预测精度更高。     

基于多重核学习支持向量回归的混沌时间序列预测

鉴于标准支持向量回归应用于混沌时间序列预测时经常会遇到诸如核函数及其参数难以确定的问题,提出了多重核支持向量回归的方法.通过在混合核空间求解二次约束下的二次规划问题,实现多重核支持向量回归算法.该算法不仅可以减少支持向量的个数,而且能够提高预测性能.最后将该方法运用到Lorenz, Henon和Mackey-Glass混沌时间序列预测,仿真结果表明该方法能够有效地提高预测精度,增强预测模型的泛化性能. 关键词： 混沌时间序列 支持向量机 多重核学习 优化     

基于对偶约束最小二乘支持向量机的混沌海杂波背景中的微弱信号检测

基于复杂非线性系统的相空间重构理论,提出一种改进的提取混沌背景中微弱信号的最小二乘支持向量机(LS-SVM)的方法.通过将信号以db3小波逐层分解,进行LS-SVM预测,再进行重构,同时通过增加对偶约束项、改进核函数的方法,建立改进的混沌序列的一步预测模型,从预测误差中检测湮没在混沌背景中的微弱目标信号(包括周期和瞬态信号).最后以Lorenz系统和真实海杂波数据作为混沌背景噪声进行了仿真实验,实验表明此方法能够有效地检测出混沌背景噪声中的微弱信号、抑制噪声对混沌背景信号的影响,与传统RBF神经网络和LS-SVM预测方法相比,预测精度和检测门限方面的性能有显著的提高.     

基于时变阈值过程神经网络的太阳黑子数预测

太阳黑子活动直接影响着外层空间环境的变化，为保证航天飞行任务的安全必须对其进行有效预测.为此，提出了一种基于时变阈值过程神经网络的时间序列预测模型.为简化模型的计算复杂度，开发了一种基于正交基函数展开的学习算法.文中分析了模型的泛函逼近能力，并以Mackey-Glass时间序列预测为例验证了所提模型及其学习算法的有效性.最后，将该预测模型用于太阳活动第23周太阳黑子数平滑月均值预测，取得了满意的结果，应用结果同时表明：所提预测方法与其他传统预测方法相比预测精度有所提高，具有一定的理论和实用价值. 关键词： 太阳黑子数 时变阈值过程神经网络 时间序列预测 泛函逼近     

Time series prediction using wavelet process neural network

In the real world, the inputs of many complicated systems are time-varying functions or processes. In order to predict the outputs of these systems with high speed and accuracy, this paper proposes a time series prediction model based on the wavelet process neural network, and develops the corresponding learning algorithm based on the expansion of the orthogonal basis functions. The effectiveness of the proposed time series prediction model and its learning algorithm is proved by the Macke-Glass time series prediction, and the comparative prediction results indicate that the proposed time series prediction model based on the wavelet process neural network seems to perform well and appears suitable for using as a good tool to predict the highly complex nonlinear time series.     

基于迭代误差补偿的混沌时间序列最小二乘支持向量机预测算法

本文分析了传统支持向量机预测算法产生的误差特性,发现产生的预测误差不同于噪声,具有较强的规律性,单一的预测模型遗漏了许多混沌序列中的确定性分量.经过误差补偿后,残差的冗余信息减少,随机性增强.在此基础上,本文提出一种基于迭代误差补偿的最小二乘支持向量机预测算法,能够通过多模型联合预测更加有效地逼近混沌系统的映射函数,在预测精度上取得了大幅度的提升.此外,算法通过留一交叉验证法的方法能够在预测前自动优化模型参数组合,克服了现有算法无法仅利用先验信息优化预测模型参数的缺陷.对MackeyGlass和Lorenz混沌时间序列进行了仿真实验,实验结果优于相关文献记载方法的预测性能,在性能指标上好于现有算法一个数量级.     

基于大脑情感学习模型和自适应遗传算法的混沌时间序列预测

针对传统神经网络预测精度不高、收敛速度慢的问题,提出一种基于大脑情感学习模型和自适应遗传算法的混沌时间序列预测方法.大脑情感学习模型模拟了哺乳动物大脑中杏仁体和眶额皮质之间的情感学习机制,具有计算复杂度低、运算速度快的特点,因此可以大大提高混沌预测的快速性.为了进一步提高大脑情感学习模型的预测精度,采用自适应遗传算法优化其参数,将待优化的权值与阈值分布在染色体基因序列上,用适应度函数选出最佳参数,从而增强了模型的逼近能力.基于Lorenz混沌时间序列和实际地磁Dst指数序列的预测结果表明,本文方法较其他传统方法在预测精度、运算速度和稳定性上均具有明显优势.     

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.     

基于混沌理论和改进径向基函数神经网络的网络舆情预测方法

网络舆情发展趋势具有混沌系统的特征, 提出一种基于EMPSO-RBF神经网络的方法对网络舆情的发展趋势进行预测. 首先根据Lyapunov指数证明网络舆情具备混沌的特征, 然后对网络舆情时间序列数据进行相空间重构, 最后采用EMPSO-RBF方法进行预测, 并和其他模型进行对比试验, 实验结果表明EMPSO-RBF方法具有较高精确度.