Adaptive step-size modified fractional least mean square algorithm for chaotic time series prediction

This paper presents an adaptive step-size modified fractional least mean square （AMFLMS） algorithm to deal with a nonlinear time series prediction. Here we incorporate adaptive gain parameters in the weight adaptation equation of the original MFLMS algorithm and also introduce a mechanism to adjust the order of the fractional derivative adaptively through a gradient-based approach. This approach permits an interesting achievement towards the performance of the filter in terms of handling nonlinear problems and it achieves less computational burden by avoiding the manual selection of adjustable parameters. We call this new algorithm the AMFLMS algorithm. The predictive performance for the nonlinear chaotic Mackey Glass and Lorenz time series was observed and evaluated using the classical LMS, Kernel LMS, MFLMS, and the AMFLMS filters. The simulation results for the Mackey glass time series, both without and with noise, confirm an improvement in terms of mean square error for the proposed algorithm. Its performance is also validated through the prediction of complex Lorenz series.     

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.     

改进的变步长自适应最小均方算法及其数字信号处理

针对紫外光通信中传统自适应最小均方（LMS）算法存在的不足,提出了一种新的变步长LMS(VSS-LMS)算法,利用MATLAB仿真验证了该算法的可行性,以TMS320VC5509为核心设计了数字信号处理（DSP）最小化硬件系统和VSS-LMS算法的软件流程,在硬件上实现了传统LMS算法和新的VSS-LMS算法的自适应滤波,并进行了对比分析,结果表明所提出的VSS-LMS算法具有较快的收敛速度和较小的稳态误差,这对紫外光通信接收系统的设计和优化具有一定的参考意义。     

基于最小二乘支持向量机的分数阶混沌系统控制

提出了基于最小二乘支持向量机(LS-SVM)的分数阶混沌系统控制方法.基于分数阶线性系统稳定理论,通过线性分离的方法将系统分解为稳定的线性部分和相应的非线性部分,再利用支持向量机良好的非线性函数逼近和泛化能力设计了主动控制器,对非线性部分进行补偿,从而将分数阶混沌系统控制到平衡点.分别以分数阶Liu系统和分数阶Chen系统为例进行了仿真研究,表明该方法是有效和可行的.     

用于混沌时间序列预测的组合核函数最小二乘支持向量机

针对混沌时间序列的预测问题,考虑到单一核函数的最小二乘支持向量机无法明显提高预测精度,提出了一种组合核函数的最小二乘支持向量机预测模型,模型中采用多项式函数与径向基函数组合构建核函数.同时,还对遗传算法进行了改进,使之具有更快的收敛速度和更高的精度,改进的遗传算法适用于解决预测模型中的参数优化问题.通过典型的Lorenz时间序列、Mackey-Glass时间序列、太阳黑子数时间序列以及具有混沌特性的网络流量时间序列对该模型进行了验证.仿真结果表明所提出的模型是有效的.     

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     

基于反馈和多最小二乘支持向量机的分数阶混沌系统控制

根据分数阶线性系统的稳定理论,将混沌系统分成稳定的线性部分和相应的非线性部分.设计主动控制器,对非线性部分进行补偿,从而将分数阶混沌系统控制到平衡点.为了提高主动控制器的补偿能力,提出基于反馈的多最小二乘支持向量机(M-LS-SVM)拟合模型.通过减聚类方法将输入空间划分为一些小的局部空间,在每个局部空间中用LS-SVM建立子模型.为解决子模型相互之间的严重相关问题,提高模型的精度和鲁棒性,各个子模型的预测输出通过主元递归(PCR)方法连接.仿真实验表明该方法有助于提高补偿精度和系统响应指标. 关键词： 分数阶 混沌系统 多最小二乘支持向量机 反馈     

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.     

A meshless algorithm with moving least square approximations for elliptic Signorini problems

Based on the moving least square(MLS) approximations and the boundary integral equations(BIEs), a meshless algorithm is presented in this paper for elliptic Signorini problems. In the algorithm, a projection operator is used to tackle the nonlinear boundary inequality conditions. The Signorini problem is then reformulated as BIEs and the unknown boundary variables are approximated by the MLS approximations. Accordingly, only a nodal data structure on the boundary of a domain is required. The convergence of the algorithm is proven. Numerical examples are given to show the high convergence rate and high computational efficiency of the presented algorithm.     

用于相移点衍射干涉仪的加权最小二乘相位提取算法

针对现有的相位提取算法只对某些特定的误差不敏感,不能满足高精度光学检测的要求,本文引入一种等间隔多步移相算法—权重待定的加权最小二乘算法。通过在最小二乘算法中添加待定的权重,分析移相点衍射干涉仪中多种误差源对算法的影响,获得多组约束方程,从而确定权重和新算法。对新算法和标准四步算法、Hariharan五步算法进行比对分析,验证了新算法对PZT线性和二阶非线性移相不准、光强的一阶二阶波动和光源频率一阶二阶波动等误差抑制能力远远优于标准四步算法和Hariharan五步算法;新算法对CCD的量化误差、光强噪声、频率噪声的抑制能力也具有一定优势,且对CCD的二阶响应非线性完全不敏感。     

Data point selection for weighted least square fitting of cavity decay time constant

For the accurate extraction of cavity decay time, a selection of data points is supplemented to the weighted least square method. We derive the expected precision, accuracy and computation cost of this improved method, and examine these performances by simulation. By comparing this method with the nonlinear least square fitting(NLSF) method and the linear regression of the sum(LRS) method in derivations and simulations, we find that this method can achieve the same or even better precision, comparable accuracy, and lower computation cost. We test this method by experimental decay signals. The results are in agreement with the ones obtained from the nonlinear least square fitting method.     

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.     

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.     

Novel approach for modified forms of Camassa-Holm and Degasperis-Procesi equations using fractional operator

In the present study, we consider the q-homotopy analysis transform method to find the solution for modified Camassa-Holm and Degasperis-Procesi equations using the Caputo fractional operator. Both the considered equations are nonlinear and exemplify shallow water behaviour. We present the solution procedure for the fractional operator and the projected solution procedure gives a rapidly convergent series solution. The solution behaviour is demonstrated as compared with the exact solution and the response is plotted in 2D plots for a diverse fractional-order achieved by the Caputo derivative to show the importance of incorporating the generalised concept. The accuracy of the considered method is illustrated with available results in the numerical simulation. The convergence providence of the achieved solution is established in $\hslash $-curves for a distinct arbitrary order. Moreover, some simulations and the important nature of the considered model, with the help of obtained results, shows the efficiency of the considered fractional operator and algorithm, while examining the nonlinear equations describing real-world problems.     

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