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.     

基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测

针对传统预测模型对混沌时间序列预测精度低、收敛速度慢及模型结构复杂的问题, 提出了基于改进教学优化算法的Hermite正交基神经网络预测模型. 首先, 将自相关法和Cao方法相结合对混沌时间序列进行相空间重构, 以获得重构延迟时间向量; 其次, 以Hermite正交基函数为激励函数构成Hermite正交基神经网络, 作为预测模型; 最后, 将模型参数优化问题转化为多维空间上的函数优化问题, 利用改进教学优化算法对预测模型进行参数优化, 以建立预测模型并进行预测分析. 分别以Lorenz 系统和Liu系统为模型, 通过四阶Runge-Kutta法产生混沌时间序列作为仿真对象, 并进行单步及多步预测对比实验. 仿真结果表明, 与径向基函数神经网络、回声状态网络、最小二乘支持向量机及基于教学优化算法的Hermite正交基神经网络预测模型相比, 所提预测模型具有更高的预测精度、更快的收敛速度和更简单的模型结构, 验证了该模型的高效性, 便于推广和应用.     

一种基于误差补偿的多元混沌时间序列混合预测模型

针对多元混沌时间序列的预测问题, 考虑到单纯改进储备池算法无法明显地提高预测精度, 提出一种基于误差补偿的时间序列混合预测模型. 实际观测的数据既包含线性特征又包含非线性特征. 首先利用自回归移动平均模型预测线性特征, 使得残差数据仅含非线性特征; 然后, 建立正则化回声状态网络模型预测; 最后, 将非线性部分的预测值与线性部分的预测值相加, 以实现高精度的多元混沌时间序列预测. 基于Lorenz和太阳黑子-黄河径流量时间序列的仿真实验验证了本文所提模型的有效性. 关键词： 回声状态网络 混沌 多元时间序列预测 误差补偿     

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     

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.     

一种基于非完整二维相空间分量置换的混沌检测方法

由于混沌时间序列和随机过程具有很多类似的性质, 因而在实际中很难将两者区分开来. 混沌信号检测与识别是混沌时间序列分析中一个重要的课题. 混沌信号是由确定性的混沌映射或混沌系统产生的, 相比于高斯白噪声序列, 其在非完整的二维相空间中表现出更加丰富的结构特性. 本文通过研究混沌时间序列和高斯白噪声序列在非完整二维相空间中的分布特性, 利用混沌信号的非线性动力学特性, 提出了一种基于非完整二维相空间分量置换的混沌信号检测方法. 该方法首先由接收序列得到非完整的二维相空间, 基于第一维分量大小关系实现对第二维分量的置换与分组, 进一步求得F检验统计量. 然后利用混沌系统的局部特性, 获取非完整二维相空间的动力学结构信息, 实现对混沌序列的有效检测. 在高斯白噪声条件下对多种混沌信号进行了信号检测的数值仿真. 仿真结果表明: 相比置换熵检测, 本文所提算法所需数据量小、计算简单以及具有更低的时间复杂度, 同时对噪声具有更好的鲁棒性.     

基于似然函数最速下降的红外与可见光图像配准

为了实现红外与可见光图像的自动配准,提出了基于似然函数最速下降迭代的图像配准算法.该算法以图像边缘作为配准点特征,将异源图像配准转化为边缘点集配准.基于点集的高斯混合模型建立了边缘点集配准似然函数,以该函数作为目标函数,仿射变换参量作为优化变量,利用最速下降方法进行最优变换参量求解,从而实现边缘点集配准.同时,将多分辨...     

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.     

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．     

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.     

具有选择与遗忘机制的极端学习机在时间序列预测中的应用

针对训练样本贯序输入时的极端学习机 (ELM)训练问题,提出一种具有选择与遗忘机制的极端学习机 (SF-ELM),并研究了其在混沌时间序列预测中的应用. SF-ELM以逐次增加新训练样本的方式实现在线训练,通过引入遗忘因子以减弱旧训练样本的影响,同时以泛化能力为判断依据,对其输出权值进行选择性递推更新. 混沌时间序列在线预测实例表明,SF-ELM是一种有效的ELM在线训练模式. 相比于在线贯序极端学习机,SF-ELM具有更快的在线训练速度和更高的在线预测精度,因此更适于混沌时间序列在线预测. 关键词： 混沌时间序列 时间序列预测 神经网络 极端学习机     

基于角度优化的鲁棒极端学习机算法

针对数据集样本中带有噪声和离群点问题,提出了一种基于角度优化的鲁棒极端学习机算法。该方法利用鲁棒激活函数角度优化的原则,首先降低了离群点对分类算法的影响,从而保持数据样本的全局结构信息,达到更好的去噪效果。其次,有效的避免隐层节点输出矩阵求解不准的问题,进一步增强极端学习机的泛化性能。通过应用在普遍图像数据库上的实验结果表明,这种提出的算法与其他算法相比具有更强的鲁棒性和较高的识别率。     

基于Cholesky分解的增量式RELM及其在时间序列预测中的应用

针对应用于混沌时间序列预测的正则极端学习机(RELM)网络结构设计问题,提出一种基于Cholesky分解的增量式RELM训练算法.该算法通过逐次增加隐层神经元的方式自动确定最佳的RELM网络结构,并以Cholesky分解方式计算其输出权值,有效减小了隐层神经元递增过程的计算代价.混沌时间序列预测实例表明,该算法可有效实现最佳RELM网络结构的自动确定,且计算效率高.利用该算法训练后的RELM预测模型具有预测精度高的优点,适用于混沌时间序列预测. 关键词： 神经网络 极端学习机 混沌时间序列 时间序列预测     

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.     

采用优化极限学习机的多变量混沌时间序列预测

基于优化极限学习机理论, 提出一种多变量混沌时间序列预测方法. 该方法利用复合混沌和混沌变尺度算法对极限学习机的模型参数进行搜索和优化, 以提高极限学习机的泛化性能; 然后利用优化后的极限学习机对Rossler耦合系统的多变量混沌时序进行一步和多步预测, 并且与同类算法进行了比较, 结果表明了该方法的有效性, 且算法具有较强的抗噪能力; 最后讨论了预测结果和隐层神经元数目的关系.     

基于鲁棒模糊聚类的混沌时间序列预测

采用一种基于鲁棒模糊聚类算法的模糊辨识方法,通过引入局部划分关联度因子,增强了系统辨识的抗干扰能力,提高了系统辨识的鲁棒性.首先用最近邻模糊聚类法划分初始输入空间,得到模糊规则数及初始聚类中心;然后用鲁棒模糊聚类算法求解并优化模糊隶属度和聚类中心,建立高精度的T-S模糊模型;最后利用最小二乘法辨识模型的初始结论参数,进一步利用带遗忘因子的递推最小二乘法优化结论参数.采用该方法对Mackey-Glass混沌时间序列进行建模和预测,仿真结果表明利用本方法可以进行准确建模和预测,验证了本方法的鲁棒性、有效性和实 关键词： 最近邻模糊聚类 鲁棒模糊聚类 混沌时间序列 最小二乘法     

灰色极限学习机在滚动轴承故障预测中的应用

针对较强噪声环境下的滚动轴承故障预测问题,为提高轴承故障预测的精度,提出并研究了一种新的滚动轴承预测技术。采用将灰色模型和极限学习机（ELM）相结合的方法,针对轴承运行状态值的非线性特点,先将样本数据进行灰色处理,解决数据的随机性和波动性问题,然后代入学习速度快,泛化精度高的ELM神经网络进行训练。在训练完毕后,对未来的轴承运行状态数据进行分析,将其与轴承设备的理论诊断标准相比较以达到故障预测的目的。