基于支持向量机的交通流混沌快速识别研究

采用支持向量机研究交通流混沌的在线快速判别问题.在分析交通流控制对交通流混沌判别的要求和现有混沌判别方法存在问题的基础上,提出了基于支持向量机的在线交通流混沌快速实时判别方法,介绍了该方法的原理和实现该方法的系统结构.重点讨论了特征向量的提取和支持向量机实现在线识别的算法,给出了仿真试验结果,说明了方法的可行性与正确性.     

基于Lyapunov指数的混沌时间序列识别

混沌特性的识别是对非线性时间序列进行分析、预测、控制的基础。本文克服了已有文献用Lya-punov指数识别混沌时计算Lyapunov指数的不足,由关联积分构造统计量来计算相空间重构的参数,然后利用混沌的遍历性及定义,提出了计算最大Lyapunov指数的新方法。     

交通流时间序列中混沌特性判定的替代数据方法

替代数据方法是判定时间序列中是否具有混沌特性的一种有效方法,本文介绍了该方法中一种基于关联维数的混沌判据。并将该方法应用于１５分钟和５分钟采样周期的实测交通流时间序列中,计算结果表明交通序列中含有混沌特性。     

SVR在混沌时间序列预测中的应用

支持向量机是一种基于统计学习理论的新颖的机器学习方法，该方法已广泛用于解决分类和回归问题。将支持向量回归算法应用于混沌时间序列预测中，并同BP网络及RBF网络的预测结果进行了比较分析。仿真实验表明，支持向量回归方法具有很好的泛化能力和一定的噪声容忍能力。     

一种新的交通流混沌实时快速识别方法

交通控制的实时性要求高,需要实时快速判定交通流混沌才可以实现交通流的混沌控制。由于在一个控制周期内只能获得很少量数据,交通流时间序列的样本数受到限制。然而现有的混沌识别方法由于要求样本量大,无法满足实时性要求。基于GM(1,1)模型的混沌特性提出一种新的实时快速识别交通流混沌的方法,可以在混沌之初检测到混沌。并通过理论交通流时间序列、实测交通流时间序列进行了实证分析。结果表明:只需至少4个样本点就可以在混沌产生之初精确地检测到混沌,可以很好地满足混沌检测实时性的要求。     

混沌时间序列局域预测方法

在深入研究混沌时间序列局域预测方法的基础上,提出了一种加权局域基函数预测方法。该方法综合考虑了广义自由度和邻近点权重,提出了加权动态确定最邻近点数的判定条件,并利用基函数拟合确定出的最邻近点进行预测。算例分析表明,加权局域基函数法具有较高的预测精度,是比较理想的用于混沌时间序列的预测方法。     

混沌时间序列建模及预测

讨论了混沌时间序列的建模及预测方法 ,给出了各重要参数的选取算法 ,并应用于实例 ,与传统的时间序列预测方法相比较 ,取得了精度更高的预测结果 ,从而为一类非线性时间序列提供了从数据采集识别到建模预测的完整技术.     

混沌时间序列的混合预测方法

提出了一种基于小波变换、粒子群优化的最小二乘支持向量机(PSO-LSSVM)和广义自回归条件异方差模型(GARCH)的混沌时间序列的混合预测方法.首先利用小波变换将混沌时间序列分解和重构成概貌时间序列和细节时间序列; 然后利用PSO-LSSVM模型预测概貌时间序列的未来值,采用GARCH模型预测细节时间序列的未来值;最后将概貌时间序列和细节时间序列的未来值求和作为最终的预测结果.采用该方法对Mackey-Glass和变参数Logistic混沌时间序列进行预测. 结果表明该方法能精确地预测混沌时间序列,验证了文中所提方法的有效性.     

汇率时间序列混沌动力学特征及实证

为判定汇率时序是否具有混沌动力学特征,运用相空间重构技术和小数据量算法对5种主要货币兑美元的日汇率数据进行实证分析.研究发现,5种汇率时间序列的最大Lyapunov指数λ1均大于0,相关维数均为分数,表明汇率时间序列的确存在混沌动力学特征.混沌特征的判定为深入分析汇率序列,以及进一步的预测和风险控制提供了重要的理论依据.     

混沌时间序列的平均周期计算方法

在研究制造质量信息系统的混沌特性,使用小数据量法求解时间序列的Lyapunov指数时,使用文献中推荐的方法计算得到的平均周期不可信。针对这个问题,对比分析了六种平均周期计算方法,及其与时间序列长度、经过FFT变换后的幅值及功率之间的关系。在此基础上,以华南智信的日产品生产合格率数据及Lorenz系统产生的混沌时间序列为原始数据,计算这两个混沌时间序列的六个平均周期。实际生产数据与Lorenz系统数据进行对比后,发现六种平均周期对于平均周期计算来说,大小变化是一致的;再结合生产合格率数据的物理意义,对计算结果进行分析,综合前述理论分析,得到的结论是以功率加权计算得到的平均周期的在实际使用过程中有意义。     

混沌时间序列的混合遗传神经网络预测方法

在相空间重构理论的基础上,将改进的遗传算法和神经网络结合起来,提出了一种混合遗传神经网络预测混沌时问序列的方法.通过复相关法和Cao方法重构混沌时间序列,利用改进的遗传算法优化神经网络的结构、初始权值和阚值,然后训练神经网络求得最优解.该算法应用到混沌时间序列的预测中,验证了该算法的有效性,并与BP和RBF算法的预测精度进行了比较,仿真结果表明该算法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度.     

WRBF网络的设计及其在混沌时间序列中的应用

结合小波网络良好的时频特性和RBF网络良好的局部特性，设计小波径向基函数网络(WRBF)，该四层网络较三层小波网络和三层RBF网络有更优的特性。网络的第一隐层对输入样本进行小波映射，完成对输入信息的压缩，第二隐层实现径向基函数的非线性计算，克服了RBF网络在处理多维样本时神经元的中心点和宽度难以确定及网络结果往往较复杂的弱点。为实现对网络结构和参数的同时优化，提出用二进制一复数混合编码的自适应进化规划，利用双倍体基因拓展染色体的信息量，加快算法的收敛速度，实现全局优化。在算法研究的基础上，利用WRBF网络对混沌时间序列进行预测，验证了方法的有效性。     

自适应局部线性化法预测混沌时间序列

提出一种基于奇异值分解最小二乘法的自适应局部线性化预测方法.它要求数据矩阵的条件数不大于给定阈值,并据此自适应地确定当前相空间的维数,然后根据新的嵌入维数重构数据矩阵,进行模型的参数估计和计算当前预测值.实验结果说明所提方法精度高且稳健.特别是当嵌入维数接近最邻近向量的数目时,其性能显著优于普通局部线性化方法.     

Kohonen自组织网络在混沌时间序列预测中的应用

研究Ｋｏｈｏｎｅｎ自组织神经网络在构造径向基函数预测模型时的应用，并通过例子研究了混沌时间序列的短期预测和长期预测问题.     

基于混沌时间序列的误差纠错预测模型

提出了一种新型的非常实用的非线性时间序列的预测模型,即误差纠错预测模型(EAM),并从概率统计的角度严格证明了该方法的可靠性,同时分析了受噪声扰动的时间序列的预测.先按一般方法确定嵌入维数与时间步长,在每个当前时刻,先用局域线性回归方法得到预测点的预测值,根据信息在非线性演化中产生的失真误差大小予以修正得到修正值,并以该点为新的基点作进一步预测.该方法具备了滑动窗口二次自回归模型(MWDAR)的适用于小数据集且对大数据集具有高效率的优点,而且克服了MWDAR方法中一次项和二次项阶数及滑动窗口长度等参数难以确定,从而会导致预测恶化,使得应用受到限制的缺点.分别用Logistic方程产生的小数据集和大数据集的混沌时间序列数据作了预测,结果良好.     

基于混沌吸引子的时间序列预测

本文提出一种新的时间序列预测技术。对于一个经诊断存在混沌吸引子的时间序列,根据相空间中混沌吸引子的分形等特性,建立依赖于预测点邻界状态的预测模型;综合存在于原时间序列中确定线性趋势的外推结果,实现对原时间序列的短期预测。     

基于稀疏Volterra滤波器混沌时间序列自适应预测

针对混沌时间序列预测问题,提出了一种稀疏Volterra滤波器,该滤波器采用归一化最小均方自适应算法进行多次训练,每次训练只保留滤波系数矢量和输入信号矢量的有效分量进行下一次训练,从而将Volter-ra滤波器的有效滤波系数个数减至最少,降低了预测模型的复杂性。四种混沌时间序列的预测实验表明:该滤波器可同时实现对混沌流和混沌映射的建模与预测,可有效地减少滤波器的滤波系数个数,能在不损失预测精度的前提下,降低预测模型复杂性。     

多变量混沌时间序列Volterra自适应实时预测

针对多变量混沌时间序列,给出一种Volterra滤波器实现结构.该滤波器利用基于奇异值分解的最小二乘法确定初始核,通过归一化最小均方差(normalized least mean square,NLMS)算法实时确定滤波系数,并用这种多变量Volterra结构对Lorenz时间序列进行仿真.计算结果表明,在无噪声情况下,该方法的实时一步预测精度比目前单变量混沌时间序列Volterra自适应预测方法的一步预测精度提高了102倍,表明这种实现结构易实现且收敛性能更好;在有噪声的情况下,该方法的实时多步预测性能优于局部多项式预测法的多步预测性能,且抗噪性更强.     

基于局域波分解的混沌时间序列分析

采用希尔伯特谱方法分析混沌信号的瞬时频率,揭示混沌信号的各组成成分的频率随时间变化的规律;针对噪声背景下的混沌信号降噪问题,以Lorenz方程为例,采用局域波分解方法对含噪信号进行自适应滤波。通过与小波去噪方法对比,仿真结果表明局域波方法的算法通用性强,降噪效果好。     

基于时变PSO-SVM的混沌时间序列连续预报

针对粒子群优化(PSO)算法中适应度函数不可变的问题,提出一种改进时变PSO算法(TVPSO),其适应度函数可变,利用TVPSO对最小二乘支持向量机(LSSVM)的参数进行优化,避免了人为选择参教的盲目性,提高了预测模型的在线预测能力.建立基于TVPSO-LSSVM的连续预报模型,充分利用LSSVM的结构风险最小化与TVPSO粒子群算法全局、时变的特性,对非线性较强的混沌时间序列进行连续预报.仿真结果表明,该法运算速度快,适用于在线预报.