混沌时间序列的模糊神经网络预测

设计一种新型混合模糊神经推理系统，该系统仅从期望输入输出数据集即可达到获取知识、确定模糊初始规则基的目的.再利用神经网络学习能力便不难修改规则库中的模糊规则以及隶属函数和网络权值等参数，这样大大减少了规则匹配过程，加快了推理速度，从而极大程度地提高了系统的自适应能力.用它对Mackey-Glass混沌时间序列进行预测试验,结果表明利用该网络模型无论离线还是在线学习均能对Mackey-Glass混沌时间序列进行准确的预测，证明了该系统的有效性. 关键词： 神经网络模型 模糊逻辑 混合推理系统 混沌时间序列     

基于模糊边界模块化神经网络的混沌时间序列预测

提出一种模糊边界模块化神经网络（FBMNN）的混沌时间序列预测方法,该方法先对混沌时间序列观测点重构的相空间进行模块化划分,划分点的选取由遗传算法自动寻优.然后定义一个模糊隶属度函数,在划分边界一侧按照一定的模糊隶属度设定模糊边界带,通过模糊化处理,解决了各模块划分点附近预测结果的跳跃问题.最后每一模块,及其模糊边界的样本点都对应一个递归神经网络进行训练,通过预测合成模块输出结果.该方法对三个混沌时间序列基准数据集Mackey-Glass,Lorenz,Henon进行实验,结果表明该方法有效地提高了混沌时间序列预测效果. 关键词： 模糊边界 模块化神经网络 混沌时间序列 预测     

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     

基于模糊模型的混沌时间序列预测

对于复杂、病态、非线性动态系统，基于模糊集合的模糊模型，利用模糊推理规则描述动态系统的特性，是一种有效方法.讨论了利用模糊建模方法实现非线性系统的建模和预测.首先，利用在线模糊竞争学习方法划分输入变量的模糊输入空间，然后利用卡尔曼滤波算法估计模糊模型的参数.采用该方法对Mackey Glass混沌时间序列进行预测试验，结果表明利用本方法可以在线或者离线能对Mackey Glass混沌时间序列进行准确预测，证明了本方法的有效性. 关键词： 模糊竞争学习 混沌时间序列 卡尔曼滤波     

一种新型广义RBF神经网络在混沌时间序列预测中的研究

提出了一种新颖的广义径向基函数神经网络模型,其径向基函数(RBF)的形式由生成函数确定.然后,给出了易实现的梯度学习算法,同时为了进一步提高网络的收敛速度和网络性能,又给出了基于卡尔曼滤波的动态学习算法.为了验证网络的学习性能，采用基于卡尔曼滤波算法的新型广义RBF网络预测模型对Mackey-Glass混沌时间序列和Henon映射进行了仿真.结果表明,所提出的新型广义RBF神经网络模型能快速、精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法. 关键词： 广义径向基函数神经网络 卡尔曼滤波 梯度下降学习算法 混沌时间序列 预测     

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.     

基于模糊树模型的混沌时间序列预测

应用模糊树模型,对混沌时间序列进行建模和预测.该方法可以根据建模数据在空间中的分布信息,基于二叉树结构自适应划分输入空间,得到模糊子空间,在与叶节点对应的子空间上建立线性函数作为模糊规则的后件,用隶属度函数将各分片线性函数光滑连接,最后得到一个精度比较高的非线性映射.通过对Mackey-Glass、Lorenz和Henon混沌时间序列的建模和预测研究,仿真结果表明,该方法具有建模精度高、运行速度快、泛化能力强、预测步数多、适用范围广等优点. 关键词： 模糊树模型 混沌时间序列 预测     

基于递阶模糊聚类的混沌时间序列预测

提出一种新的基于递阶模糊聚类系统的模糊建模方法.目的在于通过一系列的步骤优化T-S模糊模型结构，实现非线性系统的建模和预测.首先利用最近邻聚类法初始划分输入空间，得到规则数及初始聚类中心，用模糊C均值算法(FCM)进一步优化聚类中心；然后利用加权最小二乘法估计模糊模型的初始参数，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混沌时间序列进行预测实验，结果表明可以对Mackey-Glass混沌时间序列进行准确建模和预测，证明了本方法的有效性. 关键词： 递阶模糊聚类 模糊建模 混沌时间序列 最小二乘     

材料性能的模糊神经网络建模

本文利用模糊神经网络直接从实验数据中提取规则，进行材料性能建模与预测，作为应用示例，建立了基于成份和组织参数的灰铁预测模型，与多元统计分析，模糊回归和广义回归网络所得的结果相比，该方法所得的模型具有学习精度高，且具有更好的泛化能力。     

基于一种新型聚类算法的RBF神经网络混沌时间序列预测

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     

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     

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     

基于模糊递归小波神经网络的葡萄酒品质预测

针对葡萄酒品质预测模型难以建立的问题,提出一种基于模糊递归小波神经网络的葡萄酒品质预测模型。利用葡萄酒物理化学指标和品酒师打分作为模型的输入输出,采用梯度下降算法在线学习隶属函数层中心、宽度和小波函数平移因子、伸缩因子、自反馈权重因子以及输出层权值。仿真实验时,首先利用Mackey-Glass混沌时间序列进行了性能测试,然后利用UCI数据集葡萄酒品质数据对所建立的品质预测模型进行了验证。结果显示,与多层感知器、径向基函数神经网络等传统前馈神经网络相比,构建的模糊递归小波神经网络品质预测模型具有更高的预测精度,更加适合于葡萄酒的品质预测。     

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.     

Robust adaptive fuzzy neural tracking control for a class of unknown chaotic systems

In this paper, an adaptive fuzzy neural controller (AFNC) for a class of unknown chaotic systems is proposed. The proposed AFNC is comprised of a fuzzy neural controller and a robust controller. The fuzzy neural controller including a fuzzy neural network identifier (FNNI) is the principal controller. The FNNI is used for online estimation of the controlled system dynamics by tuning the parameters of fuzzy neural network (FNN). The Gaussian function, a specific example of radial basis function, is adopted here as a membership function. So, the tuning parameters include the weighting factors in the consequent part and the means and variances of the Gaussian membership functions in the antecedent part of fuzzy implications. To tune the parameters online, the back-propagation (BP) algorithm is developed. The robust controller is used to guarantee the stability and to control the performance of the closed-loop adaptive system, which is achieved always. Finally, simulation results show that the AFNC can achieve favourable tracking performances.