排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
提出了一种基于聚类的选择性支持向量机集成预测模型.为提高支持向量机集成的泛化能力,采用自组织映射和K均值聚类算法结合的聚类组合算法,从每簇中选择出精度最高的子支持向量机进行集成,可以保证子支持向量机有较高精度并提高了子支持向量机之间的差异度.该方法能以较小的代价显著提高支持向量机集成的泛化能力.采用该方法对Mackey-Glass混沌时间序列和Lorenz系统生成的混沌时间序列进行预测实验,结果表明可以对混沌时间序列进行准确预测,验证了该方法的有效性.
关键词:
支持向量机
集成
混沌时间序列
聚类 相似文献
2.
3.
运用两阶段学习方法构建径向基函数(RBF)神经网络模型预测混沌时间序列.在利用非监督学习算法确定网络隐层中心时,提出了一种基于高斯基的距离度量,并联合输入输出聚类的策略.基于Fisher可分离率设计高斯基距离度量中的惩罚因子,可以提高聚类的性能.而输入输出聚类策略的引入,建立了聚类性能与网络预测性能之间的联系.因此,根据本文方法构建的网络模型,一方面可以加快网络训练的速度,另一方面可以提高预测性能.将该方法对Mackey-Glass, Lorenz和Logistic混沌时间序列进行了预测仿真研究,仿真结果表明了该方法的有效性.
关键词:
混沌时间序列
预测
径向基神经网络
聚类 相似文献
4.
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 相似文献
5.
6.
研究了一类具有不确定时滞的非自治混沌系统的控制问题. 通过结合Lyapunov-Krasovskii函数和Lyapunov函数设计参数可调的不确定时滞补偿器,使得反馈控制输入信号不受时延的影响;同时引入动态结构自适应神经网络,以消除系统的不确定性,其隐层神经元的个数可以随着逼近误差的增大而自适应增加,改善了逼近速度与网络复杂度的关系;最后,用Duffing混沌系统的控制仿真示例表明该方法的有效性.
关键词:
混沌系统
自适应控制
不确定时滞
动态结构神经网络 相似文献
1