基于小波回声状态网络的混沌时间序列预测

混沌现象普遍存在于自然界及人类社会中,因此混沌时间序列预测具有重要意义. 提出了一种新的混沌时间序列预测模型------小波回声状态网络,该模型可以有效克服传统回声状态 网络模型中普遍存在的病态矩阵问题,提高了混沌时间序列预测精度.通过对Lorenz、含噪声Lorenz 及间歇式反应釜釜温三个时间序列的预测,将小波回声状态网络与传统回声状态网络进行了比较. 结果表明,小波回声状态网络与传统回声状态网络相比,预测精度提高一倍以上且预测结果更加稳定.     

储备池状态空间重构与混沌时间序列预测

分析了现有的基于回声状态网络(ESN)的迭代预测方法，指出了该方法在理论上存在的问题以及应用中存在的障碍.提出了一种基于储备池的直接预测方法，该方法利用预测原点和预测时域之间的关系直接构建预测器，因此可以预先对预测器的稳定性施加约束，从而避免了在迭代预测方法中由于网络回路闭合而产生的稳定性问题.在仿真中，首先以Lorenz时间序列为例分析了迭代预测方法在闭合回路前后储备池的变化情况，然后通过Mackey-Glass标杆问题的测试验证了直接预测方法的可行性.     

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.     

基于多元局部多项式方法的混沌时间序列预测

根据Takens定理，把混沌时间序列构造为一组序列对，然后用多元局部多项式方法来预测其序列.这种核估计方法可以结合局域法与全局法的优点，使得预测的精度更高.仿真结果表明，该方法非常有效.     

一种风电功率混沌时间序列概率区间简易预测模型

本文基于极限学习机构建了一种简易模型以直接输出风电功率概率区间.同时,为优化模型训练过程中输出区间的性能,本文基于对数据集区间带偏差信息的分析构建了一种新的优化准则,并采用量子细菌觅食优化算法以获取问题的最优解,提高模型泛化能力.对比分析两个风电场在不同置信水平和不同优化准则下的概率预测结果,仿真表明本文模型具有更高的可靠性和更窄的区间带宽,可为风电并网安全稳定运行提供决策支持.     

用于混沌时间序列预测的多簇回响状态网络

研究了混沌时间序列预测问题.提出了一种由五元生长因子组调控的类皮层神经网络模型,即多簇回响状态网络模型（MCESN）.研究表明该生长因子组能够有效决定模型的拓扑性质;同时具备小世界和无标度等复杂网络特征的MCESN能够获得较优的预测结果.通过Monte Carlo仿真实验表明,该模型不仅训练算法简单,而且与常规回响状态网络比较,预测结果的精度更高、标准差更小. 关键词： 混沌时间序列预测 回响状态网络 复杂网络 Ω复杂性')" href="#">Ω复杂性     

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.     

基于混沌算子网络的时间序列多步预测研究

结合相空间重构理论和时间序列分析理论,提出一种用于时间序列多步预测的网络模型.网络采用多个混沌算子加权求和的形式构成.网络各层单元采用固定权值连接,混沌算子的控制参数利用混沌优化算法进行训练调节,从而控制预测网络的动力学行为.利用已知时间序列数据构造出训练样本,训练样本在网络训练过程中仅使用一次,促使网络的动力学特性随时间的推移而变化,并逐渐逼近被预测系统的动力学特性,最终完成对未来时刻数据的预测.在对理论数据进行预测分析时,通过计算预测序列的Lyapunov指数验证了预测网络的有效性.在对实际时间序列的预测过程中,该网络表现出了良好的预测性能.仿真结果表明,该预测网络可对多种时间序列在一定的预测步长范围内实现有效的预测.     

一种预测混沌时间序列的模糊神经网络方法

给出了一种预测混沌时间序列的模糊神经网络及其学习方法，给出的方法能直接从数据中提取模糊规则，经过优化得到最佳模糊规则库，并利用神经网络的自学习功能修改隶属函数的参数和网络的权值，减少了规则的匹配过程，加快了推理速度，增强了网络的自适应能力. 使用该神经网络及其学习方法对Lorenz混沌时间序列进行了预测仿真研究，试验结果表明给出的预测工具和方法是有效的. 关键词： 模糊神经网络 模糊规则提取 混沌时间序列预测     

混沌时间序列的Volterra自适应预测

基于混沌动力系统相空间的延迟坐标重构,提出了一种预测混沌时间序列的Volterra自适应滤波预测法,对8种低维混沌序列采用二阶Volterra自适应滤波器进行预测的实验结果表明:当滤波器的长度Nl足够大时,Volterra自适应滤波器能够有效地预测低维混沌时间序列,且Nl的选择不仅与D2有关,还与混沌映射的光滑程度有关 关键词：     

A new local linear prediction model for chaotic time series

A new local linear prediction model is proposed to predict chaotic time series in this Letter. We propose that the parameters—the embedding dimension and the time delay of the local linear prediction model—can take values which are different to those of the state space reconstruction in the procedure of finding the nearest neighbor points. We propose a criterion based on prediction power to determine the optimal parameters of the new local linear prediction model. Simulation results show that the new local linear prediction model can effectively predict chaotic time series and the prediction performance of the new local linear prediction model is superior to that of the local linear prediction.     

New prediction of chaotic time series based on local Lyapunov exponent

A new method of predicting chaotic time series is presented based on a local Lyapunov exponent, by quantitatively measuring the exponential rate of separation or attraction of two infinitely close trajectories in state space. After reconstructing state space from one-dimensional chaotic time series, neighboring multiple-state vectors of the predicting point are selected to deduce the prediction formula by using the definition of the local Lyapunov exponent. Numerical simulations are carried out to test its effectiveness and verify its higher precision over two older methods. The effects of the number of referential state vectors and added noise on forecasting accuracy are also studied numerically.     

混沌时间序列全局预测新方法——连分式法

拓展了多项式逼近理论，利用连分式法建立了混沌时间序列非线性全局预测模型，此模型替代混沌序列的动力学方程，实现对其动力学特性分析，达到预测目的. 理论分析和仿真实验表明，连分式法能够有效预测一些混沌序列，该方法预测精度高，并且能得到显式的预测表达式. 关键词： 混沌时间序列 全局预测 连分式     

含噪混沌时间序列预测误差分析

对于含噪混沌时间序列预测问题, 传统方法存在较大的经验性, 对预测误差的构成分析不足, 因而忽略了混沌动态重建与预测模型建立之间的差异性. 本文将实际预测误差分解为预测器偏差和输入扰动误差, 并对整体最小二乘和正则化两种全局预测方法进行分析比较, 进而说明整体最小二乘适用于混沌动态的重建, 对预测器偏差影响较大, 而正则化方法能够改善预测器敏感性, 对输入扰动误差影响较大. 通过两个仿真实例, 展示了混沌动态重建与预测模型建立之间的差异, 在对比最小二乘和正则化方法的同时验证了实际预测误差受预测器偏差和输入扰动误差共同作用. 并指出, 在实际操作时应在二者间寻求平衡, 以便使模型预测精度达到最优. 关键词： 混沌时间序列预测 噪声 整体最小二乘 正则化     

基于条件熵扩维的多变量混沌时间序列相空间重构

提出一种多变量混沌时间序列相空间重构的条件熵扩维方法.首先使用互信息法求解每个变量的时间延迟,其次按条件熵最大原则逐步扩展相空间的嵌入维数,使得重构坐标从低维到高维的转换保持较强的独立性,最终的重构相空间具有较低的冗余度,为多变量时间序列的预测构造了有效的模型输入向量.通过对几个经典多变量混沌时间序列进行数值实验,结果表明该方法比单变量预测和已有多变量预测方法具有更好的预测效果,说明了该重构方法的有效性. 关键词： 多变量混沌时间序列 相空间重构 条件熵 神经网络预测