基于混沌理论的网络数据流RBF神经网络预测

应用相空间重构理论，研究了网络数据流的混沌特性，计算了实际网络数据流的关维数、Lyapunov指数，证实网络数据流存在混沌现象；据此建立了基于径向基函数(RBF)预测模型，对实际网络数据流进行预测。仿真实验表明，相对于反向传播(BP)神经网络预测，基于混沌理论的RBF神经网络预测方法学习速度快，预测精度高。     

基于径向基神经网络的局域预测法及其应用

一般的加权一阶局域预测法是利用最小二乘法求解模型,从而对混沌时序进行预测。基于径向基神经网络的局域预测法是在加权一阶局域预测模型的理论基础上,应用径向基神经网络代替加权一阶局域预测模型构成了基于径向基神经网络的局域预测模型。通过对Logistic映射以及Lorenz系统的3个分量的混沌时间序列的预测仿真,表明该预测方法对混沌时间序列的预测具有较好的效果。     

基于混沌映射的非径向对称基函数的神经网络模型

为提高神经网络模型的预测精度,构建了非径向对称基函数神经网络模型结构。为确定非径向对称基函数神经网络模型参数,采用Ulam-von Neumann映射规则确定混沌变量,利用混沌变量的遍历性获得不同网络结构参数下的最优网络输出,以减少所构建网络模型的实际输出与期望输出的差值,并利用模型输出的误差变化率以决定是否增加新的隐层节点。给出基于混沌映射的非径向对称基函数的网络模型构建步骤。采用基于Mackey-Glass时滞微分方程的混沌时间序列预测问题验证该模型的预测精度,并同其他文献对该序列预测的精度以及所需隐层节点数作对比。比较结果表明,采用该设计模型具有对时间序列预测精度高且所需网络结构规模小等优点。     

基于量子粒子群优化算法的新型正交基神经网络分数阶混沌时间序列单步预测

针对分数阶混沌时间序列预测精度低、速度慢的问题,提出了基于量子粒子群优化(QPSO)算法的新型正交基神经网络预测模型。首先,在Laguerre正交基函数的基础上提出一种新型正交基函数,并结合神经网络拓扑构成新型正交基神经网络;其次,利用QPSO算法优化新型正交基神经网络参数,将参数优化问题转化为多维空间上的函数优化问题;最后,根据已优化参数建立预测模型并进行预测分析。分别以分数阶Birkhoff-shaw和Jerk混沌系统为模型,利用Adams-Bashforth-Moulton预估-校正法产生混沌时间序列作为仿真对象,进行单步预测对比实验。仿真表明,与反向传播(BP)神经网络、径向基函数(RBF)神经网络及普通的新型正交基神经网络相比,基于QPSO算法的新型正交基神经网络的平均绝对值误差(MAE)、均方根误差(RMSE)明显减小,决定度系数(CD)更接近于1,平均建模时间(MMT)明显缩短。实验结果表明,基于QPSO算法的新型正交基神经网络提高了分数阶混沌时间序列预测的精度和速度,便于该预测模型的应用和推广。     

Gaussian小波SVM及其混沌时间序列预测

为了提高混沌时间序列的预测精度,针对小波有利于信号细微特征提取的优点,结合小波技术和SVM的核函数方法,提出基于Gaussian小波SVM的混沌时间序列预测模型.证明了偶数阶Ganssian小波函数满足SVM平移不变核条件,并构建相应的Gaussian小波SVM.时混沌时间序列进行相空间重构,将重构相空间中的向量作为SVM的输入参量.用Ganssian小波SVM与常用的径向基SVM及Morlet小渡SVM进行对比实验,通过对Chen's混沌时间序列和负荷混沌时间序列的预测,结果表明,Ganssian小波SVM的效果比其他两种SVM更好.     

Gaussian小波SVM及其混沌时间序列预测

为了提高混沌时间序列的预测精度,针对小波有利于信号细微特征提取的优点,结合小波技术和SVM的核函数方法,提出基于Gaussian小波SVM的混沌时间序列预测模型。证明了偶数阶Gaussian小波函数满足SVM平移不变核条件,并构建相应的Gaussian小波SVM。对混沌时间序列进行相空间重构,将重构相空间中的向量作为SVM的输入参量。用Gaussian小波SVM与常用的径向基SVM及Morlet小泼SVM进行对比实验,通过对Chen’s混沌时间序列和负荷混沌时间序列的预测,结果表明,Gaussian小波SVM的效果比其他两种SVM更好。     

基于支持向量机的混沌时间序列预测分析

混沌的特性决定了混沌系统很难长期预测,支持向量机有强大的学习能力,根据相空间重构理论用支持向量机建立预测模型对混沌时间序列进行短期预测。预测输出构建混沌吸引子来定性评价预测模型性能,同时与BP神经网络RBF神经网络构建的预测模型比较,计算预测模型的均方根误差定量地评价模型的性能。仿真结果表明,该方法具有较高的预测精度和泛化能力。     

基于改进加权一阶局域预测模型的负荷预测方法研究

针对混沌时间序列预测中用加权一阶局域法单步预测模型进行多步预测时计算量大,且存在误差累积效应的不足,本文提出了基于相空间重构技术的加权一阶局域法多步预测模型,通过实际算例分析显示,本文方法较改进前有较好的适应能力和预测精度。     

基于有效K均值有效极限学习机的混沌海杂波背景中微弱信号检测

为了在复杂混沌噪声背景中快速准确提取有用信号,提出基于复杂非线性系统相空间重构理论,采用改进极限学习机(ELM)预测单步误差检测微弱信号的方法。采用改进K均值聚类算法选择最优族作训练集,改进极限学习机选择权值和偏置的方法进一步提高检测的精度和速度,采用Lorenz系统建立了混沌噪声序列的一步预测模型,从预测误差中检测湮没在混沌噪声中的微弱目标信号(包括周期信号和瞬态信号),然后使用加拿大Mc Master大学IPIX雷达数据,在海杂波噪声中提取漂浮物信号作为实验研究。结果表明该方法能够有效检测混沌背景噪声中极微弱信号,同时抑制噪声对混沌背景信号的影响,与径向基函数(RBF)神经网络等传统算法相比,预测精度提升了25%,检测门限提高了-5 dB,同时训练用时减少77.1 s,在实际应用中具有更明显优势。     

基于混沌RBF神经网络的汽油机进气流量预测研究

针对汽油机进气流量的多维非线性特性,提出了一种混沌径向基（RBF）神经网络的汽油机进气流量预测模型。证明了汽油机进气流量时间序列具有混沌特性,对采集的原始数据进行相空间重构,利用RBF神经网络对重构后的数据进行训练和预测,并利用混沌算法确定输出层连接权值和隐含层高斯函数径向基中心,使其达到全局最优,加快了RBF神经网络的收敛速度。仿真结果表明,与空气进气流量平均值模型、RBF神经网络预测模型比较,该模型具有更高的预测精度,为精确及时测试汽油机进气流量提供了一种全新的软件测量方法。     

相空间重构和参数统一求解的石油价格预测

为了提高石油价格预测精度,利用相空间重构和预测算法参数之间的相互联系,提出一种基于相空间重构和预测算法参数统一求解的石油价格预测模型（PSR-LSSVM）。选择最小二乘支持向量机作为石油价格预测算法,将相空间重构和LSSVM参数作为遗传算法的个体,通过选择、交叉和变异等进化机制找到最优的时间延迟、嵌入维和LSSVM参数,根据最优参数建立石油价格预测模型,并通过大庆石油价格时间序列对模型性能进行测试。结果表明,相对于独立优化相空间重构和LSSVM参数的石油价格预测模型,PSR-LSSVM获得了更高的石油价格预测精度,为具有混沌性的时间序列预测问题提供了一种新的研究思路。     

混沌时间序列预测模型参数的联合优化

为了提高混沌时间序列预测模型的预测精度,提出了一种相空间重构和最小二乘支持向量机(LSSVM)参数的联合优化方法.联合优化方法的核心思想是首先采用均匀设计对相空间重构和LSSVM参数进行联合设计,然后采用自调用LSSVM进行参数联合优化,最后利用混沌时间序列对联合优化方法进行验证性测试.实验结果表明,联合优化方法预测精度明显优于其它优化方法,且优化速度更快.     

交通流量VNNTF神经网络模型多步预测研究

研究了VNNTF 神经网络（Volterra neural network trafficflow model,VNNTF） 交通流量混沌时间序列多步预测问题. 通过分析比较交通流量混沌时间序列相空间重构的嵌入维数和Volterra 离散模型之间的关系,给出了确定交通流量Volterra 级数模型截断阶数和截断项数的方法,并在此基础上建立了VNNTF 神经网络交通流量时间序列模型;设计了交通流量Volterra 神经网络的快速学习算法;最后,利用交通流量混沌时间序列对VNNTF 网络模型,Volterra 预测滤波器和BP 网络进行了多步预测实验,比较了多步预测结果的仿真图、绝对误差的柱状图以及归一化后的方均根;实验结果表明VNNTF 神经网络的多步预测性能明显优于Volterra 预测滤波器和BP 神经网络.     

混沌时间序列改进的加权一阶局域预测法

加权一阶局域预测法是目前最常用的一种混沌时间序列预测方法。基于延迟坐标相空间重构理论,提出了混沌时间序列改进的加权一阶局域预测法。仿真结果表明该方法的多步预测性能与一步预测性能明显好于加权一阶局域预测法的多步预测性能与一步预测性能。     

基于神经网络的混沌时间序列建模及预测

该文从相空间重构理论出发,讨论了基于神经网络的混沌时间序列建模及预测方法,并以Logistic方程产生的混沌时间序列作为研究对象,采用BP和RBF两种神经网络分别对其进行了仿真分析,实验结果表明:最大Lyapunov指数越大,可预测步长越短;基于RBF网络的混沌时间序列建模及预测效果优于BP网络。     

基于量子粒子群的全参数连分式混沌时间序列预测

针对传统混沌时间序列预测模型的复杂性、低精度性和低时效性的缺点, 在倒差商连分式基础上提出全参数连分式模型, 并利用量子粒子群优化算法优化模型参数, 将参数优化问题转化为多维空间上的函数优化问题. 以二阶强迫布鲁塞尔振子和三维二次自治广义Lorenz 系统为模型, 通过四阶Runge-Kutta 法产生混沌时间序列, 并利用基于量子粒子群优化算法的全参数连分式、BP 神经网络和RBF 神经网络分别对混沌时间序列进行单步和多步预测. 仿真结果表明, 基于量子粒子群优化算法的全参数连分式结构简单、精度高、效率高, 该预测模型可被推广和应用.

     

交通流量小波神经网络多步预测研究

针对交通流量混沌时间序列多步预测的问题,提出了一种基于混沌机理的小波神经网络(WNN)快速学习算法.通过将混沌理论和小波分析相结合,建立了交通流量时间序列WNN模型;阐述了混沌学习算法的机理,设计了交通流量WNN混沌时间序列自适应学习算法.仿真试验结果表明,该算法的多步预测性能明显优于应用BP网络和非混沌算法的小波神经网络.     

基于实验数据的控制系统Lyapunov指数谱计算

若一般的控制系统产生非线性故障时，此系统可能会出现混沌运动。对高维系统的测量得到的通常只是一维时间序列。该文利用BBF神经元网络和相空间重构理论，由测量所得的实验数据序列计算系统的Lyapunov指数谱。RBF网络的中心的选取采用自组织学习算法。对Henon映射的仿真结果说明，此种方法的正确性以及计算所需样本点较少，计算速度快，精度较高。对飞行仿真转台的具体实验数据的仿真结果表明，此方法具有重要的实际应用意义。     

融合提升小波降噪和LSSVM的网络流量在线预测

针对网络流量数据被噪声污染而无法进行准确建模与预测的问题,将提升小波降噪(LWD)技术和在线最小二乘支持向量机(LSSVM)相结合,提出了一种网络流量的集成式在线预测方法。该方法首先对采集的流量数据进行降噪,然后采用相空间重构理论计算流量的时延、嵌入维数,据此确定训练样本并建立在线预测模型,对网络流量数据进行预测。实验结果表明,该方法能有效滤除流量噪声,实现在线预测,提高预测精度。