基于径向基神经网络预测的混沌时间序列嵌入维数估计方法

根据Takens定理,研究了混沌时间序列相空间重构嵌入维数的选取问题.提出了基于径向基函数神经网络预测模型性能的嵌入维数估计方法,即根据嵌入维数与混沌时间序列预测模型性能的变化关系来确定嵌入维数.通过对几种典型混沌动力学系统的数值验证,结果表明该方法能够确定出合适的相空间重构嵌入维数. 关键词： 混沌 相空间重构 嵌入维数 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     

混沌时序相空间重构参数确定的信息论方法

根据信息论基本原理，研究了混沌时间序列相空间重构参数延迟时间和嵌入维数的选取.提出了用符号分析的方法计算互信息函数，确定出延迟时间，在此基础上，提出了一种估计嵌入维数的信息论方法，即根据重构向量条件熵随向量维数的变化关系来确定嵌入维数，通过对几种典型混沌动力学系统的数值验证，结果表明该方法能够确定出合适的相空间重构嵌入维数. 关键词： 混沌 相空间重构 互信息 条件熵 符号分析     

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.     

混沌时间序列重构相空间参数选取研究

基于重构相空间的延迟时间和嵌入维数这两个参数的选取不相关的观点,提出用互信息函数法确定延迟时间后,用CAO方法来确定嵌入维数的新思路.通过对几种典型的混沌动力学系统的数值验证,结果表明该方案能够确定出相空间重构的有效延迟时间和最佳嵌入维数.该方法能够从时间序列中有效地重构原系统的相空间,是混沌信号识别的一种有效途径.     

基于相空间重构的PHM数据处理算法研究

采集数据的非线性特性极大地限制了故障预测与健康管理技术(PHM)在飞机自主保障能力中的应用,提出了一种基于相空间重构的数据处理方法;首先,对PHM技术进行了系统研究,并对数据处理进行了分析;然后,根据数据处理的特点,分别采用自相关法、复自相关法、FNN法和C-C法计算相关的延迟时间及嵌入维数;最后,通过仿真对比分析以上几种方法得到的延迟时间与嵌入维数;结果表明作为一种联合计算延迟时间和嵌入维数的数据处理方法,C-C法可以同时计算延迟时间τ为3和嵌入维数m为6。     

混沌时间序列的支持向量机预测

根据混沌动力系统的相空间延迟坐标重构理论,基于支持向量机的强大的非线性映射能力, 建立了混沌时间序列的支持向量机预测模型,并在统计学习理论的基础上采用最小二乘方法来训练预测模型,利用该模型对嵌入维数与模型的均方根误差的关系进行了探讨.最后利用Mackey-Glass时间序列和变参数的Ikeda 时间序列对该模型进行了验证,结果表明,该预测模型能精确地预测混沌时间序列,而且在混沌时间序列的嵌入维数未知时也能取得比较好的预测效果.这一结论预示着支持向量机是一种研究混沌时间序列的有效方法. 关键词： 混沌时间序列 支持向量机 最小二乘法     

基于最优相空间重构参数的空调系统负荷预测

空调系统负荷非线性变化,单独利用人工神经网络方法进行预测,受到样本数量少等的限制,精度一般都比较低。空调系统负荷时间序列包含了参与空调系统动态变化的全部变量的信息,可以利用相空间重构技术提取和恢复出系统原来的规律。重构后的相空间具有与实际动力系统相同的几何性质,这样就可以大大增加样本数。相空间重构受嵌入维数m和延迟时间τ的影响,确定这两个重构参数的最佳数值是非常重要的。建立了基于相空间重构技术的神经网络空调负荷预测模型,在嵌入维数m和延迟时间τ分别取不同的值时,利用这个模型对相同时间段的空调负荷进行预测,选择预测误差最小时对应的参数为最佳相空间重构参数,对应的预测值为最佳预测结果。结果表明,这个方法有很好的效果,具有简化计算复杂性等特点。     

语音信号序列的Volterra预测模型

对给定的英语音素、单词和语句进行了采集并完成预处理. 分别应用互信息法和Cao 氏法确定了实际采集的语音信号序列的延迟时间和嵌入维数, 以完成语音序列的相空间重构. 通过计算实际采集的语音信号序列的最大Lyapunov指数, 完成了语音信号的混沌特性识别, 判定其具有混沌特性. 引入Volterra级数, 提出了一种具有显式结构的语音信号非线性预测模型. 为克服最小均方误差算法在Volterra模型系数更新时固有的缺点, 在最小二乘法基础上, 应用基于后验误差假设的可变收敛因子技术, 构建了一种基于Davidon-Fletcher-Powell算法的二阶Volterra 模型(DFPSOVF), 并将其应用于具有混沌特性的语音信号序列预测. 仿真结果表明: DFPSOVF非线性预测模型对于单帧和多帧语音信号均具有更好的预测精度, 优于线性预测模型, 并且能够很好地反映语音序列变化的趋势和规律, 完全可以满足语音预测的要求; 可以根据语音信号序列的嵌入维数选取预测模型的记忆长度. 所提出模型可以为语音信号重构和压缩编码开辟一条新途径, 以改善语音信号处理方法的复杂度和处理效果.     

交通流量序列混沌特性分析及DFPSOVF预测模型

以实际采集的交通流量序列作为研究对象, 分别应用互信息法和虚假邻点法确定其延迟时间和最佳嵌入维数, 完成交通流量序列的相空间重构. 通过计算交通流量序列的饱和关联维数和最大Lyapunov指数判定其混沌特性. 以最小均方(LMS)算法为基础, 构建了一种基于Davidon-Fletcher-Powell方法的二阶Volterra模型(DFPSOVF), 其应用了一种可随输入信号变化而实时变化的基于后验误差假设的可变收敛因子技术. DFPSOVF模型避免了在Volterra模型中采用LMS自适应算法调整系数时参数选择不当引起的问题. 将DFPSOVF模型应用于具有混沌特性的短时交通流量预测, 结果表明: 当模型记忆长度与交通流量序列的嵌入维数选择一致时, 模型的预测精度较高, 可以满足交通诱导和交通控制的需要, 为智能交通控制提供了新方法、新思路及工程应用参考. 关键词： 交通流量 混沌 DFPSOVF模型 预测     

Liley模型的模拟EEG信号的非线性预测和分析

分析Liley模型的模拟脑电(Electroencephalogram,EEG)信号的非线性预测和径向基函数(Radial Basis Functions,RBF)神经网络预测,利用相图分析和非线性正交预测(Nonlinear Cross-Prediction,NLCP)方法研究模拟EEG信号.结果发现:①RBF神经网络预测的效果要好于非线性预测;②NLCP方法对含有强周期分量的高维系统具有较好的适用性;③支持了EEG中存在混沌运动的观点.     

集成学习算法的红外光谱定量回归模型

近年来,深度学习在数据挖掘领域研究较多,深度学习中的集成学习算法也越来越多地应用到分类和定量回归中,但是,集成学习算法在红外光谱分析领域的应用研究较少。提出一种基于Blending模型融合的集成学习定量回归算法,利用GBDT算法、线性核支持向量机(LinearSVM)和径向基核支持向量机(RBF SVM)作为基学习器,将基学习器预测结果通过LinearSVM模型完成数据融合。以公开数据库中的药片和柴油近红外光谱数据为研究对象,首先对光谱数据进行一阶导数预处理,分别采用单核支持向量回归模型、GBDT模型和Blending集成学习模型,将模型预测结果进行分析比较。药片活性物含量和硬度性质采用RBF SVM模型的预测结果最优,RMSEP最小,RPD最大;其次为Blending集成学习模型;GBDT模型预测结果最差。药片质量采用Blending集成学习模型预测的R2最高,达到0.837 4;RBF SVM的RMSEP最小,为2.140 6,RPD最大,达到7.487 8;LinearSVM的预测结果最差。对于柴油沸点、闪点和总芳香烃三种性质,Blending模型预测效果最好,优于三种单模型预测结果。对于十六烷值,GBDT模型和RBF SVM模型预测结果优于Blending集成学习模型。对于密度,仅GBDT模型优于Blending集成模型,并且,使用单模型和集成模型的预测结果均较为理想,除了LinearSVM模型R2为0.944 5,其他模型R2均高于0.99。对于冰点的预测,RBF SVM和LinearSVM的预测效果优于Blending集成学习模型。对于黏性性质的预测,仅RBF SVM的预测效果优于Blending集成算法模型。由结果可以看出,由GBDT,LinearSVM和RBF SVM集成的Blending模型由于融合了单模型的特征,与单模型相比,预测效果较优或者最优,证明集成学习Blending模型用于红外光谱定量回归具有较强的适用性,且具有较高的预测精度和泛化能力,对于进一步研究集成学习算法在红外光谱定量回归中的应用具有重要的意义。     

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     

State of charge estimation of Li-ion batteries in an electric vehicle based on a radial-basis-function neural network

The on-line estimation of the state of charge(SOC) of the batteries is important for the reliable running of the pure electric vehicle in practice.Because a nonlinear feature exists in the batteries and the radial-basis-function neural network(RBF NN) has good characteristics to solve the nonlinear problem,a practical method for the SOC estimation of batteries based on the RBF NN with a small number of input variables and a simplified structure is proposed.Firstly,in this paper,the model of on-line SOC estimation with the RBF NN is set.Secondly,four important factors for estimating the SOC are confirmed based on the contribution analysis method,which simplifies the input variables of the RBF NN and enhances the real-time performance of estimation.Finally,the pure electric buses with LiFePO 4 Li-ion batteries running during the period of the 2010 Shanghai World Expo are considered as the experimental object.The performance of the SOC estimation is validated and evaluated by the battery data from the electric vehicle.     

可见-近红外光谱的小麦硬度预测模型预处理方法的研究

硬度是评价小麦品质的一个重要质量参数,对小麦的分类、最终用途以及小麦籽粒组成的研究都非常重要。为实现小麦硬度的快速、准确检测,在详细分析小麦籽粒成分对红外光吸收特性的基础上,研究建立径向基函数(RBF)神经网络模型实现对未知样品硬度的准确检测,并着重分析了不同光谱信号预处理方法对模型预测精度的影响。从各小麦主产区收集111个小麦样品,扫描样品获得可见-近红外光谱,采用马氏距离判断并剔除异常光谱;利用优化后的SPXY划分样品集合,得到校正集84个样品,预测集24个样品;利用连续投影算法(SPA)从262个光谱波点中提取47个特征光谱;分别使用一阶导数、二阶导数和标准正态变量变换(SNV)及其不同组合对光谱进行预处理,验证不同预处理方法之间的相互影响,寻找最优的预处理方法组合。校正集预处理后的特征光谱数据作为RBF模型的输入,采用硬度指数法测定的对应样品硬度作为输出建立模型。预测结果显示当采用SNV和SPA处理光谱数据时模型的效果达到最优,评价指标判别系数(R2)、预测标准差(SEP)和相对分析误差(RPD)可分别达到0.90, 3.02和3.11,表明基于可见-近红外光谱的RBF神经网络模型能够准确地预测小麦的硬度,与传统检测方法相比具有方便、快速、无损等优点,为小麦硬度的检测提供一条更为便捷与实用的方法。     

Predictive flow-field estimation

We are considering the problem of real-time prediction of 3D turbulent velocity fields based on a small number of scalar measurements. The method of proper orthogonal decomposition (POD) allows for the decomposition of an ensemble of velocity fields into a set of spatial basis functions and a set of temporal coefficients. The computation of the temporal coefficients is by no means a trivial matter, especially when one is faced with a large number of modes. In this paper we discuss the use of radial basis function (RBF) models to capture the discrete time evolution and nonlinear dynamics of the POD coefficients. Further, we propose the use of regularized regression techniques to generate models that provide mappings between the POD coefficients and scalar measurements. As a final step towards real-time prediction, the state-space RBF models and regression measurement models are combined using unscented Kalman filters to produce optimal solutions such that a balance between the state models and measurement models is achieved.The proposed methods are tested for two specific cases. The classical Lorenz model is chosen to demonstrate the use and effectiveness of RBF models as a potential candidate for state models. Flow around a wall-mounted cube in a channel at Re=20,000 is considered as the second case. The aim for the second case is to be able to accurately predict the POD coefficients outside the ensemble. It is shown that a large number of POD coefficients is required to approximate the velocity fields with sufficient accuracy. The RBF models are created based on only the temporal information available from the initial ensemble, and it is shown that the RBF model is able to correctly approximate the high-dimensional phase space. Combined with the unscented Kalman filter it is indeed possible to track the evolution of the POD coefficients for a long time. The robustness of the filter is demonstrated by considering the presence of noise in measurements and using measurement information at time steps greater than the evolution time step.     

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     

Strain field estimation based on digital image correlation and radial basis function

Two methods based on digital image correlation (DIC) and radial basis function (RBF) were proposed to obtain the accurate strain field in this paper. One is a combined method. RBF was applied to remove the noisy discrete displacement data first. After that, the strain was computed by a local least-squares algorithm. The other is a partial derivative of RBF (PD-RBF) based strain estimation method which integrated denoising with differential process. The effectiveness and accuracy of the proposed methods were verified through two numerical simulation experiments. A practical application on the normal strain measurement of an aluminum alloy beam under symmetric four-point bending via an outer loading frame was also presented. The measurement results are in good accordance with the data obtained by strain gauges. Furthermore, a shape parameter selection method based on rate of convergence was suggested. The new method simplifies the choice of the good shape parameter.     

基于马铃薯叶片光纤光谱信息的晚疫病患病程度预测

针对马铃薯晚疫病害的早期检测和防治问题,利用光谱技术对马铃薯晚疫病叶片过氧化物酶(POD)活性进行预测,并基于POD酶活性实现了马铃薯晚疫病的患病程度预测.采集和测定处于不同温湿度及接菌时间的马铃薯叶片样本的光谱反射率和POD酶活性,选用中心化(MC)预处理方法以消除原始光谱数据的误差.为降低模型复杂程度,利用随机青蛙...     

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.