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.     

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     

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     

混沌时间序列基于邻域点的非线性多步自适应预测

根据流形理论，利用混沌时间序列中某点邻域内最近几点的P次迭代像，提出了一种多步自 适应预测算法.仿真说明，这种算法使得预测速度成倍提高，而预测稳定后得到的误差均方 根序列呈指数增长趋势，这个指数就是该混沌时间序列的Lyapunov指数. 关键词： 混沌时间序列 邻域 非线性自适应预测 Lyapunov指数     

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.     

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：     

基于最大Lyapunov指数的多变量混沌时间序列预测

参考基于最大Lyapunov指数的单变量混沌时间序列预测方法,提出一种通过选取多个邻近重构向量,预测多变量混沌时间序列的局域法.采用新方法对两个完全不同的Rssler方程的耦合系统,Rssler方程和Hyper Rssler方程的耦合系统的多变量混沌时序进行一步和多步预测,结果表明了该方法的有效性,且算法具有较强的抗噪能力.讨论了参考邻近点数和预测结果的关系. 关键词： Lyapunov指数 混沌时间序列预测 多变量时间序列 最小二乘法     

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.     

基于信息熵优化相空间重构参数的混沌时间序列预测

提出一种混沌时间序列相空间重构参数的信息熵优化方法(IEOP),该方法首先使用条件熵表示信息量,建立时间延迟和嵌入维数在相空间中的信息熵优化模型,然后利用遗传算法同时求解两个重构参数,使重构坐标间既保持了良好的独立性又保留了原系统的动力学特征.通过在Lorenz和Mackey-Glass系统上的数值实验,该方法不仅能够确定合适的嵌入维数和时间延迟,而且能在优化的相空间中获得更多的信息,提高了混沌时间序列的预测精度.     

基于分形自仿射的混沌时间序列预测

从混沌与分形的关系出发，基于奇怪吸引子的分形结构和时间序列的自仿射特性，提出了一种混沌时间序列的预测方法.采用迭代函数系统跟踪混沌的局部运动轨迹，由此确定统计意义上仿射性能最优的时间序列段，并根据吸引子定理和拼贴定理建立预测模型.以Mackey-Glass混沌系统、脑电信号和Lorenz混沌系统等三种混沌系统为例进行预测试验，结果表明本方法能对混沌时间序列进行准确预测，且对混沌时间序列先验知识要求少，具有广泛的实用性. 关键词： 自仿射 迭代函数系统 混沌时间序列 预测     

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.     

A method to improve the precision of chaotic time series prediction by using a non-trajectory

Due to the error in the measured value of the initial state and the sensitive dependence on initial conditions of chaotic dynamical systems, the error of chaotic time series prediction increases with the prediction step. This paper provides a method to improve the prediction precision by adjusting the predicted value in the course of iteration according to the evolution information of small intervals on the left and right sides of the predicted value. The adjusted predicted result is a non-trajectory which can provide a better prediction performance than the usual result based on the trajectory. Numerical simulations of two typical chaotic maps demonstrate its effectiveness. When the prediction step gets relatively larger, the effect is more pronounced.     

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.     

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.     

时空混沌序列的局域支持向量机预测

结合局域预测法计算速度快的优点和支持向量机的泛化性能好、全局最优、稀疏解等特性，用局域支持向量机预测研究了时空混沌序列的局域预测性能，并用局域支持向量机预测模型讨论了嵌入维数、邻近个数选择以及时空混沌的耦合方式和格子间的耦合强度变化对时空混沌局域预测性能的影响.研究结果表明：局域支持向量机不仅比全局支持向量机、局域零阶预测、局域线性预测等方法具有更好的预测性能，且具有对嵌入维数和邻近个数不敏感的优点；时空混沌的耦合方式和格子间的耦合强度对时空混沌序列的预测性能有明显影响.     

Chaotic time series prediction using least squares support vector machines

We propose a new technique of using the least squares support vector machines (LS-SVMs) for making one-step and multi-step prediction of chaotic time series. The LS-SVM achieves higher generalization performance than traditional neural networks and provides an accurate chaotic time series prediction. Unlike neural networks‘ training that requires nonlinear optimization with the danger of getting stuck into local minima, training LS-SVM is equivalent to solving a set of linear equations. Thus it has fast convergence. The simulation results show that LS-SVM has much better potential in the field of chaotic time series prediction.     

混沌时间序列的一种局域离散余弦变换域Volterra预测

提出了一种局域离散余弦变换（DCT）域Volterra预测，并用于混沌时间序列预测。DCT被用来减少Volterra预测器的矩阵计算复杂性。数值仿真结果表明：本文提出的方法比传统的局域线性预测方法能更有效地预测混沌时间序列和预测精度。