基于粒子滤波参数估计的混沌保密通信系统

针对混沌参数调制保密通信系统中扩展卡尔曼滤波算法和无味卡尔曼滤波算法对混沌系统的状态和参数估计性能较差的问题,提出了用粒子滤波算法估计混沌系统参数的方法。在系统的发送端,通过待发送的二进制符号调制混沌系统的参数进而产生混沌信号。在接收端,粒子滤波器用接收到的混沌信号估计出相应的混沌系统参数,从而恢复出发送端的二进制符号。仿真结果表明,较扩展卡尔曼滤波和无味卡尔曼滤波,粒子滤波算法在估计混沌系统参数时具有更短的收敛时间和更小的估计误差,能更有效地实现混沌保密通信。     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机（SVM）混沌时间序列预测精度的方法。对于模型参数估计,引入混沌粒子群优化算法（CPSO）实现全局寻优,利用支持向量回归实现非线性系统的建模和预测。对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测。     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机(SVM)混沌时间序列预测精度的方法.对于模型参数估计,引入混沌粒子群优化算法(CPSO)实现全局寻优,利用支持向量回归实现非线性系统的建模和预测.对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测.     

混沌时间序列的非线性滤波预测模型的研究

基于混沌动力系统相空间延迟坐标的重构、混沌序列产生的确定性和非线性机制、混沌序列高阶奇异谱的特征及二阶Voherra自适应滤波模型,提出了高阶非线性HONFIR滤波模型和Sigmoid函数的少参数非线性自适应滤波预测模型,并介绍了相应的自适应算法。     

一类时变时间序列模型的参数估计研究

根据对一类时变时间序列模型结构特点的研究,提出了一种时变ＡＲ模型的递推参数估计算法。其原理是将时变参数的估计转化为对状态方程的状态估计,采用卡尔曼滤波推导出参数估计递推公式,并研究了其渐近稳定的充分条件。     

混沌时间序列控制方法研究

分析了混沌控制的任务、目标和一般方法,认为混沌时间序列源于混沌系统,用系统的观点讨论了一种对混沌时间序列进行控制的最小参数扰动方法及其步骤。     

基于混沌时间序列法的瓦斯涌出量预测

利用相空间重构技术,并借助C-C方法和小数据量法从一维瓦斯涌出量时间序列中提取最大Lyapunov指数。结果表明：最大Lyapunov为0.28126的瓦斯浓度时间序列具有混沌特性,且在短期内,预测结果与实际情况符合较好。     

基于混沌动力学的日径流时间序列预测

介绍了探求时间序列中的混沌特征数的常规方法,给出一种基于混沌理论的预测算法,并以葛洲坝隔河岩水库的入库日径流序列为例检验了这一方法,其预测效果令人满意。     

一种基于小波网络的混沌时间序列判定

在对混沌时间序列与随机序列的不同特征进行分析的基础上,提出一种可对二者予以区分的判定算法.并结合具有优异特性的小波函数,构造一种小波神经网络.最终给出基于小波网络的集成的混沌时间序列判定-预测算法.     

基于混沌算法神经网络的恒生指数期货时间序列预测

本文对香港恒生指数期货（ＨＳＩ）的时间序列进行了分析和预测。我们发现该时间序列具有分数组和正的Ｌｙａｐｕｎｏｖ指数,这表明该序列是由内在的混沌确定力产生的。在对该序列进行动力学重构和可测性分析的基础上,我们用混沌算法的前馈神经网络对它进行了在线预测。计算机模拟表明混沌算法神经网络的预测噗蒿于背传算法神经网络的预测精度。     

混沌时间序列局域线性预测方-法

在许多场合下,时间序列中的明显随机性可能是由于非线性确定性系统中混沌行为的缘故．混沌系统对初值的极端敏感性使之不可能对其时间序列进行长期预测,然而,利用混沌的确定性可以进行短期预期．混沌时间序列预测首先要重构相空间,接着再利用非线性函数逼近方法构造一个动力学系统模型．探讨了预测模型问题,并用数值分析的方法对Ｆａｒｍｅｒ＆Ｓｉｄｏｒｏｗｉｃｈ,Ｌｉｎｓａｙ和Ｎａｖｏｎｅ＆Ｃｅｃｃａｔｏ提出的三种典型混沌时间序列局域线性预测方法进行了研究．实验结果表明,这三种方法的性能是相同的．本文的结果将平息人们对这三种方法优劣的争论,有利于在实际中选择合适的预测模型．     

混沌时间序列神经网络拓扑结构的选取方法

采用３层前向神经网络描述混沌时间序列的动力学模型,给出了该网络拓扑结构的确定方法。以及使网络泛化误差达到最小为依据确定网络的输入节点和隐含节点个数。仿真结果表明：该方法不仅优化了网络的结构,而且大大减少了网络的泛化误差。     

基于径向基函数网络的混沌时间序列分析

给出了基于径向基函数网络的混沌时间序列预测的方法。利用非线性自回归移动平均（ＮＡＲＭＡＸ）模型对非线性时间序列进行辨识并给出基于动态径向基函数（ＲＢＦ）网络的辨识算法。将这一方法应用到Ｈｅｎｏｎ映射的混沌时间序列的嵌入维估计及我国股票市场的混沌现象的实证研究,得到理想的结果。文章最后指出了进一步的研究方向。     

混沌时间序列的多重分形维数谱

仅用一个分形维数来刻画混沌时间序列是不够的，必须用多重分形维数谱来描述混沌时间序列在不同层次的奇异测度，不同文献对沪指和深指的分形维数的计算结果相差甚大，其深层次的原因是混沌时间序列的多重分形维数谱的存在。本文对混沌时间序列多重分形维数的信息谱、奇异谱、动熵谱等问题进行探索，并简介其应用。     

混沌投资时间序列的嬗变

不少的投资机构和研究者都曾建立各自的投资数学模型，以求在投资决策时应用．但在实战操盘时却难以适用，或者应用的时间周期很快就消失．究其原因，除投资数学模型自身的问题外，混沌投资时间序列的嬗变是一个不应忽视的因素．在文[1]的基础上，本文探讨混沌投资时间序列的测度能嬗变和动熵谱嬗变．     

基于支持向量机的混沌时间序列预测

支持向量机（SVM）是一种基于结构风险最小化原理的学习技术,是一种具有很好泛化性能的回归方法.针对混沌时间序列特点,提出混沌时间序列预测的支持向量机建模的思路、特点及关键参数的选取.对模型进行了实例研究,结果表明该模型能较好地处理混沌时间序列,具有较高的泛化能力和很好的预测精度.     

估计熵在经济时序滤波中的应用

根据经济时序的非线性、非平稳性和离散性及传统时序滤波方法在经济时序滤波应用中存在的局限性,应用估计熵的基本特性,提出一种基于估计熵的滤波方法,探讨了该滤波方法的原理和应用过程,并以实际的GDE时序为例,做出该滤波方法的案例分析,案例分析表明,基于估计熵的滤波方法比传统的时序滤波方法有较好的滤波效果。     

基于混沌时序重构的股票价格预测研究

应用非线性映射迭代模型，采用小波理论来辨识混沌模型中的参数，并通过对混沌时序进行预处理，可得到较好的预测结果。采用小波网络对非线性映射迭代模型中的参数进行辨识，辨识的准确程度较高，采用该模型对上海证券市场600063号股票的开盘和最高价格数据进行了建模和模型参数辨识，并据此做出相关预测，得到了满意的预测结果。