经济时间序列相空间重构与混沌特性判定研究

提出通过相空间重构及Lyapunov指数来判定时间序列的混沌特性．给出了时间序列相空间重构中确定最小嵌入维数的伪邻点法及确定时滞参数的自相关函数法；提出了一种计算Lyapunov指数的实用方法；最后，以上证综合指数收益率时间序列为例研究了经济时间序列的混沌特性判定问题．     

金融时间序列分析与建模

介绍了金融时间序列分析与建模的主要理论、方法,着重论述了近20多年发展起来的非平稳时间序列的建模方法及工具,指出进一步的研究方向.最后,对上证综合指数这一金融时间序列进行了实证分析.     

混沌神经网络的Lyapunov指数与混沌区域

混沌神经网络有望用于诸如组合优化、信息搜索、模式识别等信息处理中.在Aihara等人依据生物学实验提出的混沌神经网络模型基础上,提出了混沌神经网络的最大Lyapunov指数的一种算法,通过最大Lyapunov指数的计算,研究神经网络的混沌区域以及参数对混沌区域的影响,这对混沌神经网络的混沌特性的研究及其混沌控制是十分有益的.     

高阶常微分方程的动态演化建模

提出了采用高阶常微分方程模型代替传统时序分析中所用的ARMA模型来实现一维时间序列的建模和预报．设计的将遗传程序设计与遗传算法相嵌套的动态演化建模算法,用遗传程序设计优化模型结构,以遗传算法优化模型参数,边收集数据边建模边预报,首次成功地实现了时间序列实时预报的程序自动化．两个时间序列的应用实例表明采用此算法可获得较好的实时预报效果．     

论计算智能方法及其应用

近年来在国际上，计算智能（ＣｏｍｐｕｔａｔｉｏｎａｌＩｎｔｅｌｌｉｇｅｎｃｅ，ＣＩ）已成为一个热门的研究开发领域。本文论述ＣＩ的定义、内涵、应用、及其与人工智能（ＡＩ）的区别与联系。指出主要的ＣＩ算法，如神经网络的训练算法、遗传算法、演化算法等，实质上是一类准元算法，特别适合于解决那些难以建立确定性数学／逻辑模型、或不存在可形式化模型的问题。进一步阐述了ＣＩ与ＡＩ的多元复合协同计算系统结构及其在非线性随机动态或混沌系统分析，例如市场价格变化趋势分析，或ＮＰ难问题求解等方面的应用前景，并提出一个由神经网络、遗传算法、模糊决策组成的股票市场预测实验系统作为实例。     

车用锂离子动力电池SOC时间序列的BP神经网络预测模型

由于车用锂离子动力电池系统具有高度复杂的非线性特性,很难建立准确的电路模型对荷电状态(State of Charge,SOC)进行实时在线获取。为此本文在分析并判别锂离子动力电池系统的混沌特性基础上,建立SOC时间序列的BP神经网络预测模型,并与二阶RC网络模型构成闭环控制系统。仿真结果表明,由二阶RC网络模型与BP神经网络模型构成的闭环控制系统具有较高的预测精度,较好的实时性及实际应用前景。     

基于一类二维混沌映射的数字图像置乱方法

利用混沌系统中的二维Sinai映射．将两组初始参数不同的混沌映射产生两队不同的伪随机的混沌时间序列，并利用混沌映射伪随机性非常好的特点，针对数字图像的特点进行随机空间置乱操作，并对保密性及算法的复杂性进行分析，程序用VC^ 6．0编写完成。     

一个新的自治混沌系统及其电路实现

在Lü系统的基础上提出了一个新的三维自治混沌系统,并对系统的基本动力学特性进行了深入的分析,利用数值分析软件MATLAB给出了系统的相轨迹图、分岔图、Lyapunov指数谱等.结果研究表明,系统具有丰富的非线性动力学行为.根据非线性电路的基本理论,把新的三维自治混沌系统的数学模型转化为电路方程,构造出符合新混沌系统的非线性电路.利用电路仿真软件Multisim对非线性电路进行了仿真实验,仿真结果证实了该非线性混沌系统电路在物理上的可实现性.     

灰色系统理论和马尔柯夫链相结合的网络流量预测方法

网络流量预测是网络测量领域一项重要的内容．通过流量测量与预测,可以了解到网络之间的流量情况及其趋势,从而更好地进行网络改建和负载均衡的设计．针对各时刻网络流量时间序列的非线性和多时间尺度特性,提出了将灰色系统理论和马尔可夫链相结合的流量预测方法——灰色马尔可夫模型．该方法综合了GM预测所需原始数据少、方法简单,而马尔可夫链又具有非线性拟合能力的特点,并应用此模型对实际网络流量进行预测,结果表明了该方法是有效可行的．     

基于自适应神经PID改进算法的非线性系统控制

通过研究非线性系统动态特性,分析了一般神经PID控制器的控制特点并在此基础上给出了一种改进算法.通过在线训练和学习来修正参数,实现神经网络自适应调整比例常数PID控制.该算法充分利用BP神经网络算法逼近任意连续有界非线性函数的能力,使得比例常数随着偏差的大小而变化,使目标函数达到最优化.仿侣真结果表明.在对非线性动态系统进行控制时,自适应PID神经网络控制算法具有很强的灵活性和高效性,能取得良好的控制性能.     

用RBF神经网络确定上海股市的分形维数

从预测能力的角度采用径向基函数（radial basis function，简称RBF）神经网络方法计算我国上海股票市场的分形维数，并通过RBF神经网络的实验，得到上海股市的最小嵌入维数为6，验证了股市分形维数在2-3之间，从而进一步确定了我国上海股票市场是一个具有混沌现象的系统，最后探讨了利用股票市场的混沌特性进行短期预测的效果的可行性。     

混沌神经网络的信息搜索

混沌神经网络具有动态联想记忆功能，但其动态联想记忆是在网络的混沌运动中实现的，记忆状态为连续改变的非周期行为，不能稳定在某个已存储的模式上，因而混沌神经网络的信息搜索成为一个难点，本文通过在部分神经元上施加合适的控制量进行钉扎控制，改变混沌神经网络的动力学特性，计算机仿真实验表明，在钉扎控制作用期间，混沌神经网络的输出能稳定地收敛于网络的存储的模式上，从而实现了混沌神经网络的信息搜索。     

k-means-RBF集成神经网络在工业尾气检测中的应用

神经网络是工业尾气检测系统的一个重要组成部分. 为提高神经网络的预测精度和收敛速度, 建立k-means-RBF集成神经网络模型. 首先, 通过选取不同的径向基函数神经网络参数, 得到一组RBF神经网络; 然后, 利用k-means算法对生成的RBF神经网络进行聚类, 并筛选出各类中精度较高的神经网络; 最后, 通过简单平均法对筛选出的神经网络进行集成, 得到高性能的k-means-RBF集成神经网络模型. 为验证模型有效性, 搭建基于k-means-RBF集成神经网络模型的工业尾气检测系统进行验证. 结果表明, 与粒子群算法优化后的Back Propagation (PSO-BP)神经网络模型相比, k-means-RBF集成神经网络模型的平均预测精度提高78.27%, 收敛时间节省99.65%     

基于空间自回归神经网络模型的空间插值研究

基于空间距离计算的空间自相关权重系数是经典空间插值方法的核心,然而由于空间距离与自相关权重之间复杂的非线性关系,反距离权重（IDW）法和克里金（Kriging）法等传统空间插值方法,在求解权重精准解时存在一定的局限性。由此,利用神经网络超强的非线性拟合能力,通过融合神经网络与空间自回归方法,建立了空间自回归神经网络（SARNN）模型,实现了空间自相关权重的精准计算并将其应用于空间插值研究。为验证SARNN模型的有效性和可行性,采用两类模拟数据及海洋环境数据进行交叉验证,并与IDW法和Kriging法进行精度对比。实验结果表明,SARNN法显著提升了R²、RMSE、MAE、MAPE等统计指标,插值结果明显优于IDW法和Kriging法;同时,SARNN法在空间插值中对突变数据和极值数据的预测较为准确,改善了传统插值方法空间平滑过渡差,易出现“牛眼”、锯齿现象等问题,显著提高了空间插值结果的准确性与合理性。SARNN法提供了一种空间插值的新思路,具有较为广泛的应用价值。     

基于空间自回归神经网络模型的空间插值研究

基于空间距离计算的空间自相关权重系数是经典空间插值方法的核心,然而由于空间距离与自相关权重之间复杂的非线性关系,反距离权重（IDW）法和克里金（Kriging）法等传统空间插值方法,在求解权重精准解时存在一定的局限性。由此,利用神经网络超强的非线性拟合能力,通过融合神经网络与空间自回归方法,建立了空间自回归神经网络（SARNN）模型,实现了空间自相关权重的精准计算并将其应用于空间插值研究。为验证SARNN模型的有效性和可行性,采用两类模拟数据及海洋环境数据进行交叉验证,并与IDW法和Kriging法进行精度对比。实验结果表明,SARNN法显著提升了R²、RMSE、MAE、MAPE等统计指标,插值结果明显优于IDW法和Kriging法;同时,SARNN法在空间插值中对突变数据和极值数据的预测较为准确,改善了传统插值方法空间平滑过渡差,易出现“牛眼”、锯齿现象等问题,显著提高了空间插值结果的准确性与合理性。SARNN法提供了一种空间插值的新思路,具有较为广泛的应用价值。     

快速收敛的神经网络非线性系统控制器模型

基于神经网络的非线性系统控制器,近年来已有不少学者对其进行了研究,本文在其他研究者所做工作的基础之上,提出了一种新的控制器模型,数值模拟实验表明,与以前的研究者提出的模型相比,新模型的收敛速度更快。