交通流量序列混沌特性分析及DFPSOVF预测模型

以实际采集的交通流量序列作为研究对象, 分别应用互信息法和虚假邻点法确定其延迟时间和最佳嵌入维数, 完成交通流量序列的相空间重构. 通过计算交通流量序列的饱和关联维数和最大Lyapunov指数判定其混沌特性. 以最小均方(LMS)算法为基础, 构建了一种基于Davidon-Fletcher-Powell方法的二阶Volterra模型(DFPSOVF), 其应用了一种可随输入信号变化而实时变化的基于后验误差假设的可变收敛因子技术. DFPSOVF模型避免了在Volterra模型中采用LMS自适应算法调整系数时参数选择不当引起的问题. 将DFPSOVF模型应用于具有混沌特性的短时交通流量预测, 结果表明: 当模型记忆长度与交通流量序列的嵌入维数选择一致时, 模型的预测精度较高, 可以满足交通诱导和交通控制的需要, 为智能交通控制提供了新方法、新思路及工程应用参考. 关键词： 交通流量 混沌 DFPSOVF模型 预测     

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     

混沌时间序列的支持向量机预测

根据混沌动力系统的相空间延迟坐标重构理论,基于支持向量机的强大的非线性映射能力, 建立了混沌时间序列的支持向量机预测模型,并在统计学习理论的基础上采用最小二乘方法来训练预测模型,利用该模型对嵌入维数与模型的均方根误差的关系进行了探讨.最后利用Mackey-Glass时间序列和变参数的Ikeda 时间序列对该模型进行了验证,结果表明,该预测模型能精确地预测混沌时间序列,而且在混沌时间序列的嵌入维数未知时也能取得比较好的预测效果.这一结论预示着支持向量机是一种研究混沌时间序列的有效方法. 关键词： 混沌时间序列 支持向量机 最小二乘法     

最小二乘支持向量域的混沌时间序列预测

从支持向量域SVD(Support Vector Domain)出发，根据Takens延时相空间重构思想，利用支持向量机非线性映射，建立了混沌时间序列和混沌非线性相轨迹运动的SVD预测模型.采用数据集作为支持对象元素，机器自学习缩小模型泛化误差的上界，利用最小二乘支持向量域(SVD)，预测了Henon/Lorenz/Rossler三种混沌时间序列.预测结果表明，三种预测模型将集合映射到一个更高维特征空间，通过嵌入维数，实现了序列预测，误差随嵌入维数变化趋于恒定，与支持向量机(SVM)相比，SVD所需支持向量少，收敛速度快，鲁棒性强，核函数选择容易灵活，且存在自适应方法.网格点数提高了10—20倍，序列预测在小样本、非线性、未知概率密度条件下，预测和实际值取得了一致. 关键词： 支持向量域 混沌 最小二乘 时间序列预测     

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     

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     

基于模糊模型支持向量机的混沌时间序列预测

基于支持向量机强大的非线性映射能力和模糊逻辑易于将先验的系统知识结合到模糊规则的 特性, 根据混沌动力系统的相空间重构理论, 提出了一种混沌时间序列的模糊模型的支持向 量机预测模型,并采用适用于大规模问题求解的最小二乘法来训练预测模型,利用该模型分别 对模型的整体预测性能与嵌入维数及延迟时间的关系进行了探讨.最后利用Mackey-Glass时 间序列和典型的Lorenz系统生成的时间序列对该模型进行了验证,结果表明该预测模型不仅 能够自动的从学习数据中获取知识产生模糊规则，提取能够代表混沌时间序列内在规律的支 持向量，大大减少支持向量的数目，精确地预测未来的混沌时间序列,而且在混沌时间序列 的嵌入维数未知和延迟时间不能合理选择的情况下,也能取得比较好的预测效果.这一结论预 示着基于模糊模型的支持向量机是一种研究混沌时间序列的有效方法. 关键词： 模糊模型 混沌时间序列 支持向量机 最小二乘法     

基于广义窗函数和最小二乘支持向量机的混沌背景下微弱信号检测

为了从混沌背景中检测微弱信号,研究分析了复杂非线性系统的相空间重构理论,提出了一种基于广义窗函数的最小二乘支持向量机的预测法. 该方法以广义嵌入窗为基础,利用自关联函数法确定Lorenz系统的嵌入维数和时间延迟, 实现相空间重构,结合最小二乘支持向量机建立Lorenz系统的误差预测模型, 检测微弱目标信号(瞬态和周期信号).仿真实验表明,该方法的预测模型具有较小的误差, 能够有效地从混沌背景噪声中检测出微弱目标信号,减小噪声对目标信号的影响. 与传统方法相比,在降低检测门限的同时,能够有效地提高预测的精度, 在混沌噪声下信噪比为-87.41 dB的情况下,相对于传统支持向量机方法所得的均方根误差0.049(-54.60 dB时)降低近两个数量级至0.000036123(-87.41 dB时).     

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.     

一种混沌海杂波背景下的微弱信号检测方法

基于复杂非线性系统的相空间重构理论,提出了一种基于遗传算法的支持向量机预测方法.利用改进的自相关法和饱和关联维数法确定混沌信号的时间延迟和嵌入维,从而实现相空间重构.通过遗传算法优化支持向量机中的惩罚系数和核函数参数,并结合支持向量机建立混沌序列的单步预测模型,从预测误差中检测出淹没在混沌背景中的微弱信号(包括瞬态信号和周期信号).以Lorenz系统和加拿大McMaster大学利用IPIX雷达实测得到的海杂波数据作为混沌背景噪声进行仿真实验,结果表明该方法能够有效地从混沌背景噪声中检测出微弱目标信号,所得的均方根误差为0.00049521(信噪比为-89.7704 dB),这比传统支持向量机方法的均方根误差(0.049,信噪比为-54.60 dB)降低了两个数量级.     

A modified fractional least mean square algorithm for chaotic and nonstationary time series prediction

A method of modifying the architecture of fractional least mean square （FLMS） algorithm is presented to work with nonlinear time series prediction. Here we incorporate an adjustable gain parameter in the weight adaptation equation of the original FLMS algorithm and absorb the gamma function in the fractional step size parameter. This approach provides an interesting achievement in the performance of the filter in terms of handling the nonlinear problems with less computational burden by avoiding the evaluation of complex gamma function. We call this new algorithm as the modified fractional least mean square （MFLMS） algorithm. The predictive performance for the nonlinear Mackey glass chaotic time series is observed and evaluated using the classical LMS, FLMS, kernel LMS, and proposed MFLMS adaptive filters. The simulation results for the time series with and without noise confirm the superiority and improvement in the prediction capability of the proposed MFLMS predictor over its counterparts.     

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.     

混沌时间序列的局域高阶Volterra滤波器多步预测模型

依据相空间邻近轨道演化相似性特点建立训练模式,提出了基于自适应高阶非线性Volterra滤波器（HONFIR）的混沌时间序列多步预测模型（MSP-HONFIR）;通过定义距离相似度、趋势相似度来衡量轨道演化相似度,提出了混沌吸引子邻近轨道判别的新方法;从模型训练充分性角度出发探讨了MSP-HONFIR滤波器模型训练集规模控制的依据.数值研究表明MSP-HONFIR滤波器模型的多步预测性能优于原有HONFIR滤波器模型. 关键词： 混沌 非线性自适应预测 Volterra滤波器模型 训练模式     

Adaptive step-size modified fractional least mean square algorithm for chaotic time series prediction

This paper presents an adaptive step-size modified fractional least mean square （AMFLMS） algorithm to deal with a nonlinear time series prediction. Here we incorporate adaptive gain parameters in the weight adaptation equation of the original MFLMS algorithm and also introduce a mechanism to adjust the order of the fractional derivative adaptively through a gradient-based approach. This approach permits an interesting achievement towards the performance of the filter in terms of handling nonlinear problems and it achieves less computational burden by avoiding the manual selection of adjustable parameters. We call this new algorithm the AMFLMS algorithm. The predictive performance for the nonlinear chaotic Mackey Glass and Lorenz time series was observed and evaluated using the classical LMS, Kernel LMS, MFLMS, and the AMFLMS filters. The simulation results for the Mackey glass time series, both without and with noise, confirm an improvement in terms of mean square error for the proposed algorithm. Its performance is also validated through the prediction of complex Lorenz series.     

Nonlinear identification of NMR spin systems by adaptive filtering

In this paper, we present two new methods for identifying NMR spin systems. These methods are based on nonlinear adaptive filtering. The spin system is assumed to be time-invariant with memory. The first method uses a truncated discrete Volterra series to describe the nonlinear relationship between excitation (input) and system response (output). First-, second-, and third-order kernels of this series are estimated employing the least mean square (LMS) algorithm. Three parallel filters can then model the NMR spin system so that its output is no more than simple sum of three convolution products between combinations of the input signal and filters coefficients. It is also shown that the contribution of the Volterra second-order term to the total system response is neglected compared with the contributions of the first- and the third-order terms. In the second identification method, the output signal is related to the input signal through a recursive nonlinear difference equation with constant coefficients. The LMS algorithm is used again to estimate the equation coefficients. The two methods are validated with a simulated NMR system model based on Bloch equations. The results and the performances of these methods are analyzed and compared. It is shown that our methods permit a simple identification of NMR spin systems. The field of applications of this study is promising in the optimization of NMR signal detection, especially in the cases of low signal-to-noise ratios where optimum signal filtering and analysis must be performed.     

基于分数阶最大相关熵算法的混沌时间序列预测

为提高最大相关熵算法对混沌时间序列的预测速度和精度,提出了一种新的分数阶最大相关熵算法.在采用最大相关熵准则的基础上,利用分数阶微分设计了一种新的权重更新方法.在alpha噪声环境下,采用新的分数阶最大相关熵算法对Mackey-Glass和Lorenz两类具有代表性的混沌时间序列进行预测,并分析了分数阶的阶数对混沌时间序列预测性能的影响.仿真结果表明:与最小均方算法、最大相关熵算法以及分数阶最小均方算法三类自适应滤波算法相比,所提分数阶最大相关熵算法在混沌时间序列预测中能够有效地抑制非高斯脉冲噪声干扰的影响,具有较快收的敛速度和较低的稳态误差.     

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     

基于径向基神经网络预测的混沌时间序列嵌入维数估计方法

根据Takens定理,研究了混沌时间序列相空间重构嵌入维数的选取问题.提出了基于径向基函数神经网络预测模型性能的嵌入维数估计方法,即根据嵌入维数与混沌时间序列预测模型性能的变化关系来确定嵌入维数.通过对几种典型混沌动力学系统的数值验证,结果表明该方法能够确定出合适的相空间重构嵌入维数. 关键词： 混沌 相空间重构 嵌入维数 预测