一种基于三阶Volterra滤波器的混沌时间序列自适应预测方法

基于Takens的相空间延迟坐标重构,研究了用于混沌信号预测的三阶Volterra滤波器的一种乘积耦合近似实现结构,并应用于典型的低维混沌时间序列和具有高维混沌特性的EEG信号的预测.数值研究表明:这种滤波器结构对于低维混沌时间序列的预测精度可以比二阶Volterra滤波器提高103倍,而且能够较好地对一些具有高维混沌特性的EEG信号进行预测 关键词： 混沌 非线性自适应预测 三阶Volterra滤波器 electroencephalography信号     

用于混沌时间序列自适应预测的一种少参数二阶Volterra滤波器

研究了二阶Volterra滤波器的一种乘积耦合近似实现结构及其非线性NLMS自适应算法,并用这种少参数二阶Volterra滤波器(RPSOVF)研究了一些混沌信号的非线性自适应预测性能.仿真研究结果表明:所给出的非线性NLMS自适应算法能够保证这种RPSOVF的稳定性和收敛性,且RPSOVF用这种非线性NLMS自适应算法能够自适应预测一些混沌时间序列. 关键词： 混沌 非线性自适应预测 Volterra滤波器 非线性NLMS自适应算法     

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：     

混沌时间序列的局域高阶Volterra滤波器多步预测模型

依据相空间邻近轨道演化相似性特点建立训练模式,提出了基于自适应高阶非线性Volterra滤波器（HONFIR）的混沌时间序列多步预测模型（MSP-HONFIR）;通过定义距离相似度、趋势相似度来衡量轨道演化相似度,提出了混沌吸引子邻近轨道判别的新方法;从模型训练充分性角度出发探讨了MSP-HONFIR滤波器模型训练集规模控制的依据.数值研究表明MSP-HONFIR滤波器模型的多步预测性能优于原有HONFIR滤波器模型. 关键词： 混沌 非线性自适应预测 Volterra滤波器模型 训练模式     

混沌时间序列的自适应高阶非线性滤波预测

根据混沌序列产生的确定性和非线性机制,基于Volterra级数展式和混沌序列高阶奇异谱特征,提出了一种高阶非线性傅里叶红外(HONFIR)滤波预测模型用于混沌时间序列的自适应预测.其自适应算法采用时域正交算法来自适应地跟踪混沌的运动轨迹,而不是重构混沌系统 的全局或局部运动轨迹.实验研究表明：(1)这种HONFIR自适应滤波器能够有效地预测一些超 混沌序列.(2)预测混沌序列的性能与预测模型的非线性拟合能力有关,但并非非线性程度越 高,预测性能就越好.(3)当HONFIR滤波器对混沌序列的非线性拟合精度高时,其自适应预测 的性能与其输入维数的关系不受Takens嵌入定理的约束.(4)HONFIR自适应滤波器具有一定的 抗噪能力. 关键词： 混沌 非线性模型 滤波器     

风电功率时间序列混沌特性分析及预测模型研究

为揭示风电功率序列内在的动态特性, 利用非线性方法对风电时间序列混沌特性进行识别, 为对风电功率进行预测提供了基础.首先对某风电场的风电功率时间序列的日相关性进行了分析;然后在相空间重构的基础上计算了风电序列的最大Lyapunov指数, 验证了风电时间序列的混沌特性;由于采用Volterra滤波器多步预测法对风电功率进行超短期预测误差较大, 利用局域多步预测法以及最大Lyapunov指数法的预测结果并结合加权马尔科夫链和有序算子对Volterra滤波器的预测结果进行校正.最后以某实际风电场的风电功率预测为算例, 仿真结果表明校正预测模型有效的提高了预测精度, 其为利用Volterra滤波器多步法进行风电预测提供了有益的参考.     

用一种少参数非线性自适应滤波器自适应预测低维混沌时间序列

基于混沌动力系统的相空间延迟坐标重构,利用混沌序列固有的确定性和非线性,提出了用 于混沌时间序列预测的一种少参数非线性自适应滤波预测模型.该预测模型在Volterra自适 应滤波器的基础上引入sigmoid函数来减少待定参数.实验研究表明,这种少参数非线性自适 应滤波预测器仅需用50个样本经20次预训练后,就能有效地预测一些低维混沌序列,且这种 少参数非线性自适应滤波预测器更便于工程实现. 关键词： 混沌 非线性自适应预测 少参数非线性自适应滤波器 自适应算法     

连续混沌系统的非线性自适应预测跟踪控制

基于混沌时间序列的非线性自适应预测原理,用一种sigmoid-Volterra自适应预测滤波器研究了连续混沌系统的非线性自适应预测跟踪控制.通过对Lorenz,R?ssler等典型混沌系统的控制,仿真证实了这种sigmoid-Volterra自适应预测控制器的有效性.这种方法的优点在于它既不需要知道精确的混沌系统模型,也不需要进行系统模型辨识. 关键词： 混沌 sigmoid-Volterra自适应预测滤波器 非线性自适应预测跟踪     

连续混沌信号的离散余弦变换域二次实时滤波预测

提出了少参数二阶Volterra滤波器的一种离散余弦变换(DCT)域二次滤波实现结构及其NLMS自适应算法，并用这种DCT域二次滤波预测器研究了三种连续混沌信号的非线性实时多步预测性能. 仿真研究结果表明：(1) 这种DCT域二次滤波预测器比少参数二阶Volterra滤波器的一步预测均方误差性能提高了100倍，表明这种实现结构简单、易实现，且具有更好的收敛性能；（2）采用这种滤波预测器对三种连续混沌时间序列的实时多步预测性能明显优于局域法的多步预测性能. 关键词： 混沌 实时预测 NLMS自适应算法     

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     

Neural Volterra filter for chaotic time series prediction

A new second-order neural Volterra filter （SONVF） with conjugate gradient （CG） algorithm is proposed to predict chaotic time series based on phase space delay-coordinate reconstruction of chaotic dynamics system in this paper, where the neuron activation functions are introduced to constraint Volterra series terms for improving the nonlinear approximation of second-order Volterra filter （SOVF）. The SONVF with CG algorithm improves the accuracy of prediction without increasing the computation complexity. Meanwhile, the difficulty of neuron number determination does not exist here. Experimental results show that the proposed filter can predict chaotic time series effectively, and one-step and multi-step prediction performances are obviously superior to those of SOVF, which demonstrate that the proposed SONVF is feasible and effective.     

短时交通流复杂动力学特性分析及预测

为揭示短时交通流的内在动态特性,利用非线性方法对交通流混沌特性进行识别,为短时交通流的预测提供基础.基于混沌理论对交通流时间序列进行相空间重构,利用C-C算法计算时间延迟和嵌入维数,采用Grassberger-Procaccia算法计算吸引子关联维数,通过改进小数据量法计算最大Lyapunov指数来判别交通流时间序列的混沌特性.针对局域自适应预测方法在交通流多步预测中预测器系数无法调节的问题,提出了交通流多步自适应预测方法.通过实测数据计算,结果表明:2,4和5 min三种统计尺度的交通流时间序列均具有混沌特性;改进的小数据量法能够准确地计算出最大Lyapunov指数;构建的交通流多步自适应预测模型能够有效地预测交通流量的变化.为智能交通系统诱导和控制提供了依据.     

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.