基于小波神经网络的混沌时间序列预测

本文提出了一种用小波神经网络进行混沌时间序列预测的方法,并介绍了小波神经网络的基本构造和学习算法。在此基础上,通过由Logistic方程产生的混沌时间序列对该神经网络进行模拟实验,证明了该神经网络具有较好的预测效果。     

基于小波神经网络的混沌时间序列预测

本文提出了一种用小波神经网络进行混沌时间序列预测的方法,并介绍了小波神经网络的基本构造和学习算法。在此基础上,通过由Logistic方程产生的混沌时间序列对该网络进行模拟实验,证明了该神经网络具有较好的预测效果。     

混沌时间序列分析中的相空间重构技术综述

本文对混沌时间序列分析中的相空间重构技术进行了分析和评价,总结了国内外学者的研究进展,并展望了未来的研究方向。     

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。     

基于小波神经网络的流量混沌时间序列预测

在Takens提出的相空间重构模型基础上,应用小波变换对其进行改进,充分考虑噪声对重构结果的影响。将小波神经网络混沌时间序列预测方法引入网络流量预测中,介绍小波神经网络的基本构造和学习方法。实验表明,与RBF神经预测方法相比,小波神经网络预测方法的逼近效果更好、误差更小。     

基于Hermite神经网络的混沌时间序列预测

针对混沌时间序列的混沌性,提出一种改进的相空间重构方法——交集寻优法;针对传统的BP神经网络、RBF神经网络及AR模型对混沌时间序列预测效率和预测精度较低的缺点,提出两种不同的Hermite神经网络预测模型。以四阶蔡氏电路为模型,结合粒子群算法建立预测模型。仿真结果表明,利用交集寻优法进行相空间重构能很好地保留原系统的动力学特性,证实了该方法的有效性;Hermite神经网络较传统的预测模型精度更高,便于基于粒子群算法的Hermite神经网络预测方法的推广和应用。     

基于相空间重构的股价时间序列相关性分析

股指的相关性研究对于衍生产品定价、风险管理、套期保值和最优投资组合选择等都具有重要的意义。股指相关性研究大都是在线性理论的基础上,即认为股指时间序列是线性的,但是实际上,股指时间序列具有很强的非线性特征,因此在线性理论基础上得到的相关性结果具有一定的局限性。应用非线性的混沌理论,通过对沪深股指混沌时间序列进行相空间重构,建立了一个多维的股指时间序列系统。运用典型相关分析对构建的系统进行相关性计算,得到沪深股指之间的相关性。     

基于相空间重构小波神经网络的短期覆冰预测

针对输电线路覆冰问题,提出一种基于相空间重构小波神经网络的短期覆冰预测模型。以云南昭通某110 kV输电线路覆冰厚度监测数据为基础,首先求取覆冰时间序列最大李雅普诺夫(Lyapunov)指数,对覆冰厚度进行非线性的动力学分析,确定序列具有混沌特性;其次由C-C法对系统进行相空间重构,找出数据变化的局部规律性;最后采用小波神经网络对相空间轨迹进行预测,并通过蚁群算法优化预测模型参数。实验表明:模型具有良好预测能力,对抗冰工作具有实际指导意义。     

微熵率重构相空间混沌时序预测研究

目前对混沌时间序列的预测研究大多建立在相空间重构基础之上.然而在重构相空间时,需要选取两个参数即延迟时间与嵌入维数,引入微熵率最小的原则选取这两个参数.在重构相空间后,利用LS-SVR对混沌时间序列进行预测研究.并在MATLAB200b环境下建立混沌时间序列的预测模型.利用Mackey-Glass混沌时间序列与工作面瓦斯涌出量混沌时间序列数据对算法进行验证.结果表明,在熵率最小的原则下确定的嵌入维数与延迟时间其几何意义明确,通过编程实现简单明了.而在此基础上重构的相空间中,利用LS-SVR预测模型的预测效果较好,而对实际现场瓦斯突出在短期内的预测,也得到了较高的精度.     

小波网络在带噪声的混沌时间序列预测中的研究

在采用网络模型对带有噪声的混沌时间序列进行建模的过程中,噪声会影响模型的泛化能力。针对上述问题,本文提出了基于小波去噪的小波网络预测框架。在预处理阶段使用小波阈值方法抑制噪声,运用相空间重构理论确定嵌入维数和延迟时间,进而确定改进的小波网络模型的结构,结合BP算法和遗传算法对模型的参数进行学习。最后,在带噪声的Mackey-Glass混沌序列预测实验中验证了该框架的有效性。     

基于神经网络的多变量时间序列预测及其在股市中的应用

首先分别由开盘价、最低价、最高价和收盘价序列经小波变换得到在大尺度上的各自逼近序列,并由这些逼近序列进行相空间重构,得到各自重构相空间内的点,即矢量列.然后将这4个矢量列组合成一个维数更高的矢量列,作为神经网络的输入,对其进行训练.最后用训练好的网络对2000年初的牛市行情中的上证指数波动趋势进行预测,结果令人满意.     

基于循环神经网络和卡尔曼滤波器的多变量混沌时间序列预测

混沌时间序列的鞍点远多于极值点,且容易出现多重共线性问题.对此,提出基于循环深度神经网络和卡尔曼滤波器的时间序列预测算法.利用循环深度神经网络预测高维时间序列,使用实时递归学习算法搜索最小化预测误差的最优网络参数,采用Levenberg-Marquardt算法对神经网络进行迭代训练.在线更新循环神经网络的过程中,利用卡...     

基于相空间重构和柔性神经树的乐器分类

基于相空间重构理论和主成分分析理论,对不同乐器产生的音频时间序列进行处理。通过分析各类乐器的高维特性,采用概率密度函数来刻画各个乐器在相空间中的差异,然后将概率密度函数的参数与其他音色特征相结合,采用柔性神经树作为分类器,提出一种新的乐器分类方法。柔性神经树能够解决人工神经网络结构的高度依赖性问题,还具有较高的识别率。实验表明,该分类器与BP神经网络和支持向量机比较具有较高的平均分类准确率和较低的均方根误差值。     

基于小波变换和神经网络模型的数字调制识别方法

由于小波变换对瞬态信息具有较强的检测能力,数字调制信号在间断点呈现不同的瞬态信息。使用提取小波变换后包络方差与均值平方之比的特征参数,来实现3种信号(MFSK、MPSK和MQAM)的类间识别。然后提取经小波变换后的信号幅度层数N1,对MFSK进行类内识别,提取经归一化后的信号再经过小波变换后的尖峰数N2,对MPSK进行类内识别。最后利用人工神经网络作为分类器,仿真结果表明在低信噪比下具有良好的正确识别率。     

基于RBF神经网络的混沌时间序列预测

本文提出将径向基函数(RBF)神经网络应用于混沌时间序列的预测,设计了一个三层RBF网络结构.对于三个典型的混沌系统,在不同的噪声水平下,采用RBF网络模型分别进行了预测研究.仿真结果表明,采用RBF网络进行混沌时间序列的预测能够取得比现有其它方法更好的效果.     

基于小波分解与重构的时间序列预测法

一般的时间序列预测方法对非线性非平稳的信号不适用.本文提出了一种基于多分辨小波分解与重构的预测方法.与一般方法相比,这种方法有效地提高了预测的准确度.     

基于小波神经网络的HRTFs逼近与声频仿真

头部相关传递函数是指从声源到耳鼓的谱滤波器,它因提取了声源的方位信息,所以在声频仿真中,它是非常重要的立体听觉定位曲线。由于ＨＲＴＦｓ随声源的相对位置、频和听觉对象不同而变化,并与其自变量之间还存在着非常复杂的非线性关系,所以三维声音仿真的实现需要处理庞大的ＨＲＴＦｓ的数据。     

基于小波分析与RBF神经网络的甘蔗制糖结晶过程预测

本文针对甘蔗制糖结晶过程中由于传感器失灵 引起的变量及参数不可测的问题，建立一个甘蔗制糖结晶过程的RBF（径向基函数）神经网 络模型，该模型把小波分析和RBF神经网络紧密结合起来．实验结果表明该模型能达到逼近 实际煮糖过程的目的．     

基于小波神经网络的系统辨识方法

神经网络由于具有良好的自学习和自适应能力，在非线性黑箱建模或系统辨识中有着广泛的应用，这些辨识模型有：多层感知器、径向基函数网和反馈网络等等。文中提出了基于小波神经网络模型的系统辨识方法。由于小波变换或分解所表面的良好的时频局部化特性，以及多尺度的功能，我们用规范正交的小波函数作为基函数网络中的基函数，得到所谓的小波神经网络。通过计算机仿真证实了该方法的良好的辨识效果。     

基于神经网络和小波分析的血细胞识别算法

结合小波变换时频局部化特性和神经网络的优势,提出了一种基于神经网络和小波分析的血细胞识别算法.首先对血细胞信号进行小波分解,然后利用小波分解系数重构信号的能量,结合时域特征参数构造特征向量作为神经网络的输入,最后建立神经网络模型进行训练.通过实验分析了不同条件下的信号识别情况,并与传统的识别算法作了比较,结果表明算法具有较强的血细胞识别能力,与传统的识别算法相比,识别准确度更高.