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     

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     

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     

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     

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.     

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     

Chaotic time series prediction using fuzzy sigmoid kernel-based support vector machines

Support vector machines (SVM) have been widely used in chaotic time series predictions in recent years. In order to enhance the prediction efficiency of this method and implement it in hardware, the sigmoid kernel in SVM is drawn in a more natural way by using the fuzzy logic method proposed in this paper. This method provides easy hardware implementation and straightforward interpretability. Experiments on two typical chaotic time series predictions have been carried out and the obtained results show that the average CPU time can be reduced significantly at the cost of a small decrease in prediction accuracy, which is favourable for the hardware implementation for chaotic time series prediction.     

基于鲁棒极端学习机的混沌时间序列建模预测

针对混沌时间序列预测模型易受异常点影响,导致模型预测精度低的问题,在贝叶斯框架下提出一种鲁棒极端学习机.所提模型将具有重尾分布特性的高斯混合分布作为模型输出似然函数,得到一种对异常点和噪声更具鲁棒性的预测模型.但由于将高斯混合分布作为模型输出似然函数后,模型输出的边缘似然函数变成难以解析处理的形式,因此引入变分方法进行近似推理,实现模型参数的估计.在加入异常点和噪声的情况下,将所提模型应用于大气环流模拟模型方程Lorenz序列以及Rossler混沌时间序列和太阳黑子混沌时间序列的预测中,预测结果验证了所提模型的有效性.     

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.     

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.     

基于大脑情感学习模型和自适应遗传算法的混沌时间序列预测

针对传统神经网络预测精度不高、收敛速度慢的问题,提出一种基于大脑情感学习模型和自适应遗传算法的混沌时间序列预测方法.大脑情感学习模型模拟了哺乳动物大脑中杏仁体和眶额皮质之间的情感学习机制,具有计算复杂度低、运算速度快的特点,因此可以大大提高混沌预测的快速性.为了进一步提高大脑情感学习模型的预测精度,采用自适应遗传算法优化其参数,将待优化的权值与阈值分布在染色体基因序列上,用适应度函数选出最佳参数,从而增强了模型的逼近能力.基于Lorenz混沌时间序列和实际地磁Dst指数序列的预测结果表明,本文方法较其他传统方法在预测精度、运算速度和稳定性上均具有明显优势.     

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.     

短期风速时间序列混沌特性分析及预测

针对短期风速时间序列的预测问题进行了研究. 首先通过0-1混沌测试法确定短期风速时间序列具有混沌特性. 采用相空间重构技术, 利用C-C算法确定延迟时间, G-P 算法确定嵌入维数. 然后提出一种参数在线修正的最小二乘支持向量机预测模型, 采用改进的粒子群算法进行预测模型中参数的优化. 最后通过仿真对比实验表明提出的预测方法在预测精度、预测误差、预测效果方面都要优于其他常见的预测方法, 证明该预测方法是有效的.