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     

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     

基于相空间邻域的混沌时间序列自适应预测滤波器(Ⅱ)非线性自适应滤波

根据相空间重构理论、最小均方误差准则和最陡下降原理，提出了一种基于相空间邻域的非线性自适应滤波算法.实验结果表明：这种非线性自适应预测滤波器能够有效预测一些混沌序列，在某种程度上具有抗噪声的能力. 关键词： 混沌时间序列 重构矢量 最小均方误差准则 非线性自适应预测     

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     

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     

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     

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     

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.     

基于相空间邻域的混沌时间序列自适应预测滤波器(Ⅰ)线性自适应滤波

提出了一种基于相空间邻域的线性自适应滤波算法，将时间域变换到高维重构矢量空间，使 得不可能实现的线性预测变成了可能.实验结果表明：这种基于相空间邻域的线性自适应预 测滤波器能够有效预测一些混沌序列，能够检测到一些混沌载波中的信号，具有去混沌噪声 的能力. 关键词： 混沌时间序列 重构矢量 自适应预测     

MULTISTAGE ADAPTIVE HIGHER-ORDER NONLINEAR FINITE IMPULSE RESPONSE FILTERS FOR CHAOTIC TIME SERIES PREDICTIONS

A multistage adaptive higher-order nonlinear finite impulse response (MAHONFIR) filter is proposed to predict chaotic time series. Using this approach, we may readily derive the decoupled parallel algorithm for the adaptation of the coefficients of the MAHONFIR filter, to guarantee a more rapid convergence of the adaptive weights to their optimal values. Numerical simulation results show that the MAHONFIR filters proposed here illustrate a very good performance for making an adaptive 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.     

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.