遗传混沌算子网络的风速序列预测研究

为提高风速序列的预测性能,提出一种改进的遗传混沌算子网络预测方法.混沌算子网络由输入层、中间层和输出层3层组成,网络的输入层与中间层的连接权值采用线性衰减的方式设计,中间层混沌算子单元的激励函数为混沌映射函数,采用遗传算法优化网络的权值和混沌算子控制参数.利用差分方法对被预测序列进行平稳化预处理,结合相空间重构理论利用平稳化后的数据构造网络的训练样本.仿真实验结果表明:该方法能够实现风速序列的多步预测分析,其预测性能优于传统预测方法,尤其随着预测步长的增加,该方法具有相对稳定的预测性能.     

最大Lyapunov指数实现局域网流量的预测

由于网络中存在复杂的非线性动力学特性,基于混沌理论,采用最大Lyapunov指数对局域网络流量序列进行预测分析,能够实现较早地预测出网络流量的突变特性.首先,采用相空间重构理论,并结合C-C算法将实际测试的流量时间序列投影到重构的相空间中.然后,计算其最大Lyapunov指数并对最大可预测时间进行了分析,同时对预测算法进行了研究.最后,对实际测试的局域网流量序列分别采用点预测和区间预测方法进行了分析.仿真结果显示,采用点预测方法对流量突变可以进行有效预测,突变越剧烈预测越准确;而采用区间预测可以有效预测流量的变化趋势,但不适用于广域网环境.进一步表明此方法能有效地利用所有数据信息进行预测,预测效果准确、可靠,可广泛的用于网络拥塞和网络攻击中.     

一种趋势划分的灰色马尔可夫网络流量预测方法

网络流量预测对网络规划、流量管理等方面起着重要作用.针对网络流量数据波动性比较大,在一定范围内呈现某种趋势等特点,将灰色GM(1,1)模型预测和马尔可夫链预测相结合,提出一种趋势划分的灰色马尔可夫网络流量预测方法.该方法以网络流量时间序列建立灰色预测模型,得到流量的拟合值和趋势值序列,通过划分的趋势值序列状态区间构造马尔可夫模型并加以预测.在校园网实际流量预测的实验结果表明,该方法具有良好的预测性能.     

基于大数据分析的非线性网络流量组合预测模型

针对传统方法不能对网络流量变化特征进行准确描述,并且预测精度较低的问题,提出了基于大数据分析的非线性网络流量组合预测模型.通过对非线性网络流量数据进行有效分解,获得不同尺度的分量,利用混沌理论对多尺度分量进行相空间重构获得流量子序列.构建改进鸟群算法优化模型,并对重构后的网络流量子序列进行预测和组合,获得网络流量预测结果.结果表明,所提模型能够精确地描述网络流量的非线性、周期性以及长相关性等变化特征,具有较高的预测精度.     

基于递归网络的混沌时间序列预测

为了能对时问序列充分建模,从混沌的慨念入手,将混沌与神经网络相结合,利用人工神经网络的拟合特性,提出了递归网络的混沌时间序列预测方法。给出了递归神经网络预测的基本理论、数学模型、及具体步骤,并通过由杜芬方程所产生的混沌时间序列对该神经网络进行了模拟实验。仿真结果表明,该方法远好于前馈网络的预测效果,其预测误差在10^-15的数量级上。     

基于回声状态网络的飞机混沌时间序列预测模型

准确检测飞机即将发生的故障或预测其状态的变化趋势,对于实现飞行安全具有重要意义。文章针对传统基于回声状态网络在故障预测中的不足,构建了基于小波降噪的回声状态网络预测模型。该模型保留了非线性时间序列回声状态网络预测的优势,并采取小波变换对混沌时间序列进行降噪预处理,有效提高了含噪混沌时间序列的预测精度。论文通过对某飞机发动机滑油散热器温度时间序列数据序列进行预测分析,表明文中模型具有较好的预测精度,验证了模型的有效性。     

基于混沌理论的短时交通流局域预测模型

为了提高城市短时交通流预测的精度,对城市的短时交通流数据进行混沌时间序列分析,并对交通流时间序列数据进行相空间重构.通过对混沌时间序列预测方法的研究,提出短时交通流加权一阶局域多步预测方法.对实测短时交通流量预测结果,验证该多步预测模型的预测精度明显高于一步预测模型.     

基于混沌时间序列及神经网络的大同电网负荷短期预测研究

精确的负荷预测对电力定价、实时负荷调整起着十分重要的作用.提出利用径向基函数神经网络模型,通过采用混沌时间序列的方法,对大同地区的全网用电负荷数据进行了短期预测验证.通过数据预处理产生混沌序列,进而通过相空间参数完成了相空间重构.最后通过RBF网络预测得到了相应的预测值,并与实际值进行了对比.结果表明:得到的预测结果与实际结果几乎重合,证明了该方法的高度预测能力与适应能力.     

基于混沌的煤矿监测网络流量异变的预测

对煤矿监测网络流量异变预测可以提高网络的服务质量(QoS),降低网络拥塞的发生率.该文分析了煤矿监测网络中各信息流量的特点,提出了以SCADA类信息流作为混沌指标信号,采用Lyapunov指数法验证指标量的混沌特性,利用Duffing振子求解相变点的策动力幅值(α)d并构建了预测模型,通过仿真预测和实测数据比较,误差在...     

基于回声状态网络和主元分析的混沌时间序列预测模型

回声状态网络(Echo State Network,ESN)能够极好地逼近非线性系统,在非线性混沌时间序列的预测中取得了良好的效果.但是,由于ESN的训练和预测过程是1个高维权值矩阵的运算过程,往往不能获得更好的预测速度.文章提出了一种基于主元分析与回声状态网络相融合的非线性混沌时间序列预测模型.该模型通过主元分析降低输入向量的维数,以减小ESN输入权值矩阵的规模,降低运算的复杂度,从而达到减小ESN训练时间、提高预测速度的目的.利用仿真数据对ESN和文中模型进行了精度和预测时间对比实验,表明该模型是一种有效模型.     

基于小波和回声状态网络的交通流多步预测模型

针对交通流的含噪混沌特征,提出了一种基于小波回声状态网络的交通流多步预测模型。该模型利用小波多尺度分解方法,屏蔽了噪声成分对交通流动力学特性的干扰,同时提取了占有交通流绝大部分能量的混沌低频成分。在采用多路分量并行预测的方式下,充分发挥了回声状态网络对混沌低频分量的强大多步预测能力,从而保障了交通流多步预测的精度。对北京市西直门桥的实测交通流的预测结果表明:该模型的多步预测精度比传统的回声状态网络模型有了较大幅度的提升,在保证预测精度的前提下,最大可预测的步长也相应的增加。     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7 a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

基于暂态混沌神经网络的低阶混沌时间序列预测

暂态混沌神经网络是一种基于Hopfield网络提出的混沌神经网络,具有收敛速度快、不易陷入局部极小等优点．许多低阶的混沌系统都可以展成二阶volterra级数,因此提出一种基于暂态混沌神经网络和volterra级数的低阶混沌时间序列预测方法．该方法利用暂态混沌神经网络计算系统的volterra级数系数,确定系统的动力学模型,从而实现混沌时间序列预测．利用Logistic模型对该方法进行测试,结果表明,预测相对误差小于0．5％,预测可达到较高的速度和精度．     

基于改进动态递归神经网络的交通量短时预测方法

针对已有基于改进动态递归神经网络预测方法的不足,并充分考虑交通流本身所存在的复杂性、非线性和不确定性特点,提出了一种基于可变增益Elman神经网络的交通量短时预测方法。该方法通过引入一个基于实时误差分析的可变增益因子,实现了网络的实时更新。通过长春市人民大街的实测数据对方法进行了验证。试验结果表明,本文方法在网络收敛时间和预测精度方面均优于已有的基于Elman神经网络的预测模型。     

基于混沌时间序列的黄土滑坡变形预测方法及应用

采用GNSS技术进行滑坡变形监测时,由于多路径等观测误差的存在,直接使用GNSS监测结果进行变形预测会影响预测结果的精度。为了探讨GNSS测量误差对变形预测结果的影响程度,考虑到滑坡系统的混沌特性,采用混沌理论对陕西泾阳地区庙店滑坡GNSS变形监测结果抑噪处理前后的时间序列进行了对比分析。首先,采用互信息量法确定监测序列的时间延迟、用改进的虚假邻近点法(Cao算法)确定嵌入维数,获取相空间重构参数; 然后使用最大Lyapunov指数对两种变形监测序列进行混沌特性识别; 最后,分别使用加权一阶局域预测方法、最大Lyapunov指数预测方法和BP神经网络预测方法对滑坡变形监测结果进行预测。结果表明:GNSS滑坡变形监测结果抑噪处理前后的时间序列满足混沌特性,说明滑坡系统具有混沌特性; 在3种混沌时间序列预测方法中,BP神经网络预测方法的效果较好,且该方法预测结果的平均绝对误差(MAE)和平均相对误差(MRE)分别为0.4 mm和11.9%,经过S-变换抑噪处理后,预测结果的平均绝对误差和平均相对误差分别为0.1 mm和4.1%,预测效果有明显改善。     

具有混沌机制的模糊神经网络非线性系统建模研究

针对常规的BP算法收敛速度慢及容易陷入局部极小的缺点,在该算法中引入具有混沌机制的非线性自反馈项,给出了混沌BP算法,并利用其训练和学习模糊神经网络中的权值,从而构成一种引入型模糊混沌神经网络;最后,用提出的引入型模糊混沌神经网络对非线性系统进行仿真研究,仿真结果表明,所设计的引入型模糊混沌神经具有与混沌动力学特性同样复杂的动态特性,其对非线性系统具有很好的建模能力.     

基于网络流Petri网模型的设计更改技术

为了实现网络流系统设计更改的响应检测,将响应检测同网络的动态表达相结合,提出一种基于网络流Petri网(NFPN)动态模型的设计更改响应检测方法.用Petri网对网络流及设计更改进行描述,建立网络流Petri网的动态模型.在分析层级网络流特点的基础上,将Petri网完整可达图的构造同设计更改的响应检测相关联.通过多级抽象化简可达图,递归实现网络整体的分析.在配电网改造设计中的应用验证了该方法的可行性和有效性,降低了状态空间的复杂度,可见该方法适用于大尺度复杂网络.     

基于混沌RBF网络的地下厂房围岩变形预报

引入混沌时间序列理论有效解决非线性混沌时间序列的预报问题.表征混沌特性的分维数D和最大Lya-punov指数1λ计算结果表明变形时间序列具有混沌特性;神经网络克服了模型必须是基本观测数据的线性和非线性组合的局限,具有很强的自适应性和记忆功能.结合混沌特性将一维时间序列重构为多维相空间,优化RBF神经网络结构,建立混沌时间序列神经网络预报模型.实例表明,预测值与实测值的相对误差小于6%;后期预报的变形随时间增长呈下降趋势,符合工程实际情况.     

基于网络表示学习的机会网络链路预测

针对机会网络的多维链路属性和网络结构动态变化的特点,提出基于网络表示学习的链路预测方法。设置切片时长,将机会网络转化为网络快照序列,利用多维链路属性表示每个快照内的链路状态。采用网络表示学习方法聚合邻居节点的多维链路属性,并映射为低维的属性嵌入矩阵;采用基于注意力机制改进的循环神经网络学习网络拓扑随时间动态演化的规律,提取属性嵌入矩阵之间的时序特征;在输出层建立时序特征与链路状态之间的映射关系,实现下一时刻整网的链路预测。在Infocom-05和Hyccups等数据集上的实验结果表明,与现有同类方法相比,所提方法具有更高的预测精度。     

The study of fuzzy chaotic neural network based on chaotic method

This paper proposes a type of Fuzzy Chaotic Neural Network (FCNN). Firstly, the model of recurrent fuzzy neural network (RFNN) is considered, which adds a feedback in the second layer to realize dynamic map. Then, the Logistic map is introduced into the recurrent fuzzy neural network, so as to build a Fuzzy Chaotic Neural Network (FCNN). Its chaotic character is analyzed, and then the training algorithm and associate memory ability are studied subsequently. And then, a chaotic system is approximated using FCNN; the simulation results indicate that FCNN could approach dynamic system preferably. And owing to the introducing of chaotic map, the chaotic recollect capacity of FCNN is increased.