基于极端学习机的多变量混沌时间序列预测

针对多变量混沌时间序列预测问题, 提出了一种基于输入变量选择和极端学习机的预测模型. 其基本思想是 对多变量混沌时间序列进行相空间重构后, 采用互信息方法选择与预测输出统计相关最高的重构输入变量, 借助极端学习机的通用逼近能力建立多变量混沌时间序列的预测模型. 为进一步提高预测精度, 采用模型选择算法选择具有最小期望风险的极端学习机预测模型. 基于Lorenz, Rössler多变量混沌时间序列及Rössler超混沌时间序列的仿 真结果证明所提方法的有效性.     

选择性激光烧结成型件密度的支持向量回归预测

根据不同工艺参数（层厚、扫描间距、激光功率、扫描速度、加工环境温度、层与层之间的加工时间间隔和扫描方式）下的选择性激光烧结成型件密度的实测数据集,应用基于粒子群算法寻优的支持向量回归（SVR）方法,建立了加工工艺参数与成型件密度间的预测模型,并与BP神经网络模型进行了比较.结果表明：基于相同的训练样本和检验样本,成型件密度的SVR模型比其BP神经网络模型具有更强的内部拟合能力和更高的预测精度;增加训练样本数有助于提高SVR预测模型的泛化能力;基于留一交叉验证法的SVR模型的预测误差最小.因此,SVR是一种预测选择性激光烧结成型件密度的有效方法. 关键词： 选择性激光烧结 密度 支持向量机 回归分析     

基于鲁棒极端学习机的混沌时间序列建模预测

针对混沌时间序列预测模型易受异常点影响,导致模型预测精度低的问题,在贝叶斯框架下提出一种鲁棒极端学习机.所提模型将具有重尾分布特性的高斯混合分布作为模型输出似然函数,得到一种对异常点和噪声更具鲁棒性的预测模型.但由于将高斯混合分布作为模型输出似然函数后,模型输出的边缘似然函数变成难以解析处理的形式,因此引入变分方法进行近似推理,实现模型参数的估计.在加入异常点和噪声的情况下,将所提模型应用于大气环流模拟模型方程Lorenz序列以及Rossler混沌时间序列和太阳黑子混沌时间序列的预测中,预测结果验证了所提模型的有效性.     

AlON-TiN复相材料合成工艺参数的支持向量回归分析

根据在不同热压烧结工艺参数（包括TiN的含量、烧结温度和保温时间）下合成的AlON-TiN复相材料的抗弯强度实测数据集,应用基于粒子群算法寻优的支持向量回归（SVR）方法,建立了AlON-TiN复相材料在不同热压烧结工艺参数下抗弯强度的SVR预测模型,并与基于人工神经网络（ANN）模型的预测结果进行了比较.利用SVR预测模型并结合粒子群算法对AlON-TiN合成工艺参数进行了寻优和多因素分析.结果显示:对于相同的训练样本和检验样本,AlON-TiN复相材料抗弯强度的SVR模型比ANN模型具有更小的预测误差,表明SVR模型比ANN模型具有更强的预测能力.工艺参数寻优结果表明,当TiN质量分数为13.5%、烧结温度为1863.5 ℃和保温时间为5.8 h时, 可获得抗弯强度为555.452 MPa的AlON-TiN复相材料. 研究结果表明,该方法对于研发理想抗弯强度的AlON-TiN复相材料具有重要的理论指导意义和实用价值. 关键词： AlON-TiN 抗弯强度 支持向量回归 回归分析     

基于条件熵扩维的多变量混沌时间序列相空间重构

提出一种多变量混沌时间序列相空间重构的条件熵扩维方法.首先使用互信息法求解每个变量的时间延迟,其次按条件熵最大原则逐步扩展相空间的嵌入维数,使得重构坐标从低维到高维的转换保持较强的独立性,最终的重构相空间具有较低的冗余度,为多变量时间序列的预测构造了有效的模型输入向量.通过对几个经典多变量混沌时间序列进行数值实验,结果表明该方法比单变量预测和已有多变量预测方法具有更好的预测效果,说明了该重构方法的有效性. 关键词： 多变量混沌时间序列 相空间重构 条件熵 神经网络预测     

基于混合神经网络和注意力机制的混沌时间序列预测

为提高混沌时间序列的预测精度,提出一种基于混合神经网络和注意力机制的预测模型(Att-CNNLSTM),首先对混沌时间序列进行相空间重构和数据归一化,然后利用卷积神经网络(CNN)对时间序列的重构相空间进行空间特征提取,再将CNN提取的特征和原时间序列组合,用长短期记忆网络(LSTM)根据空间特征提取时间特征,最后通过注意力机制捕获时间序列的关键时空特征,给出最终预测结果.将该模型对Logistic,Lorenz和太阳黑子混沌时间序列进行预测实验,并与未引入注意力机制的CNN-LSTM模型、单一的CNN和LSTM网络模型、以及传统的机器学习算法最小二乘支持向量机(LSSVM)的预测性能进行比较.实验结果显示本文提出的预测模型预测误差低于其他模型,预测精度更高.     

一种基于误差补偿的多元混沌时间序列混合预测模型

针对多元混沌时间序列的预测问题, 考虑到单纯改进储备池算法无法明显地提高预测精度, 提出一种基于误差补偿的时间序列混合预测模型. 实际观测的数据既包含线性特征又包含非线性特征. 首先利用自回归移动平均模型预测线性特征, 使得残差数据仅含非线性特征; 然后, 建立正则化回声状态网络模型预测; 最后, 将非线性部分的预测值与线性部分的预测值相加, 以实现高精度的多元混沌时间序列预测. 基于Lorenz和太阳黑子-黄河径流量时间序列的仿真实验验证了本文所提模型的有效性. 关键词： 回声状态网络 混沌 多元时间序列预测 误差补偿     

基于差分进化算法的混沌时间序列预测模型参数组合优化

为了提高混沌时间序列预测模型的预测精度,提出一种基于差分进化（DE）算法的相空间重构和最小二乘支持向量机（LSSVM）模型参数组合优化方法．该方法将相空间重构参数和LSSVM预测模型参数进行组合作为差分进化算法的个体,以混沌时间序列预测精度作为个体的适应度函数,通过循环迭代获得最优参数组合．几个混沌时间序列的仿真实验结果表明,与传统的优化方法相比,参数组合优化方法具有更高的预测精度．     

基于多变量混沌时间序列的煤矿斜井TBM施工动态风险预测

在全面分析煤矿长斜井TBM(盾构)施工动态风险特点的基础上,利用多变量混沌时间序列预测方法对其进行预测.利用主成分分析法,确定影响煤矿长斜井TBM施工风险的主要成分.对煤矿长斜井TBM施工风险多变量时间序列进行相空间的重构,确定时间延迟τi和嵌入维数mi,采用小数据量法计算煤矿长斜井TBM施工多变量风险时间序列的最大Lyapunov指数,证明了其具有混沌特性,提出了一阶局域法与双隐层神经网络的组合预测模型,该模型能够对多变量风险时间序列随时间的变化进行预测.仿真实验表明,该预测模型误差小于单变量时间序列的预测误差,具有较强的预测能力和较好的预测效果,可为煤矿长斜井TBM施工风险分析与评估提供一种新的途径.     

基于时变阈值过程神经网络的太阳黑子数预测

太阳黑子活动直接影响着外层空间环境的变化，为保证航天飞行任务的安全必须对其进行有效预测.为此，提出了一种基于时变阈值过程神经网络的时间序列预测模型.为简化模型的计算复杂度，开发了一种基于正交基函数展开的学习算法.文中分析了模型的泛函逼近能力，并以Mackey-Glass时间序列预测为例验证了所提模型及其学习算法的有效性.最后，将该预测模型用于太阳活动第23周太阳黑子数平滑月均值预测，取得了满意的结果，应用结果同时表明：所提预测方法与其他传统预测方法相比预测精度有所提高，具有一定的理论和实用价值. 关键词： 太阳黑子数 时变阈值过程神经网络 时间序列预测 泛函逼近     

基于小波回声状态网络的混沌时间序列预测

混沌现象普遍存在于自然界及人类社会中,因此混沌时间序列预测具有重要意义. 提出了一种新的混沌时间序列预测模型------小波回声状态网络,该模型可以有效克服传统回声状态 网络模型中普遍存在的病态矩阵问题,提高了混沌时间序列预测精度.通过对Lorenz、含噪声Lorenz 及间歇式反应釜釜温三个时间序列的预测,将小波回声状态网络与传统回声状态网络进行了比较. 结果表明,小波回声状态网络与传统回声状态网络相比,预测精度提高一倍以上且预测结果更加稳定.     

基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测

针对传统预测模型对混沌时间序列预测精度低、收敛速度慢及模型结构复杂的问题, 提出了基于改进教学优化算法的Hermite正交基神经网络预测模型. 首先, 将自相关法和Cao方法相结合对混沌时间序列进行相空间重构, 以获得重构延迟时间向量; 其次, 以Hermite正交基函数为激励函数构成Hermite正交基神经网络, 作为预测模型; 最后, 将模型参数优化问题转化为多维空间上的函数优化问题, 利用改进教学优化算法对预测模型进行参数优化, 以建立预测模型并进行预测分析. 分别以Lorenz 系统和Liu系统为模型, 通过四阶Runge-Kutta法产生混沌时间序列作为仿真对象, 并进行单步及多步预测对比实验. 仿真结果表明, 与径向基函数神经网络、回声状态网络、最小二乘支持向量机及基于教学优化算法的Hermite正交基神经网络预测模型相比, 所提预测模型具有更高的预测精度、更快的收敛速度和更简单的模型结构, 验证了该模型的高效性, 便于推广和应用.     

短期风速时间序列混沌特性分析及预测

针对短期风速时间序列的预测问题进行了研究. 首先通过0-1混沌测试法确定短期风速时间序列具有混沌特性. 采用相空间重构技术, 利用C-C算法确定延迟时间, G-P 算法确定嵌入维数. 然后提出一种参数在线修正的最小二乘支持向量机预测模型, 采用改进的粒子群算法进行预测模型中参数的优化. 最后通过仿真对比实验表明提出的预测方法在预测精度、预测误差、预测效果方面都要优于其他常见的预测方法, 证明该预测方法是有效的.     

混沌时间序列的支持向量机预测

根据混沌动力系统的相空间延迟坐标重构理论,基于支持向量机的强大的非线性映射能力, 建立了混沌时间序列的支持向量机预测模型,并在统计学习理论的基础上采用最小二乘方法来训练预测模型,利用该模型对嵌入维数与模型的均方根误差的关系进行了探讨.最后利用Mackey-Glass时间序列和变参数的Ikeda 时间序列对该模型进行了验证,结果表明,该预测模型能精确地预测混沌时间序列,而且在混沌时间序列的嵌入维数未知时也能取得比较好的预测效果.这一结论预示着支持向量机是一种研究混沌时间序列的有效方法. 关键词： 混沌时间序列 支持向量机 最小二乘法     

精细全光谱结合GS-SVR的复杂水体硝酸盐分析方法研究

硝酸盐是水质健康状态评价的一个关键要素。水体中高浓度的硝酸盐会导致生物多样性剧减以及生态系统的退化,同时对人类的健康产生不可逆转的伤害。基于光学测量的水质在线监测是当前及未来水环境动态监测的发展趋势。相较于传统硝酸盐现场采样加实验室分析的测定方法,具有操作便捷,无需前处理,检测效率高,可靠性好且无污染等显著优点。由于实际水体组分的复杂性与多样性,水体参数和吸光度二者并非呈现线性相关,传统的单波长法,双波长法,偏最小二乘法等线性回归预测模型已不适用。基于此,提出一种精细全光谱结合可变步长网格搜索,优化支持向量回归(GS-SVR)的水体硝酸盐分析方法。同时与陕西科技大学化学与化工学院合作,采用标准的硝酸盐溶液,铂-钴标准溶液,福尔马肼标准混悬液根据实验要求配制了不同浓度梯度94组溶液样本。首先将采集到的透射率光谱数据完成吸光度转换,并使用Kennard-Stone方法将94个溶液样本划分为80个训练集和14个测试集。其次使用改进的GS算法结合交叉验证,通过多次迭代,减小搜索范围、改变搜索步长对SVR进行参数寻优,并将最优惩罚参数C和核函数宽度σ用于训练集中进行模型建立,最后用所建立的模型对测试集进行浓度预测。并将预测效果与反向传播神经网络(BPNN),SVR,GS-SVR,粒子群算法优化SVR(PSO-SVR),遗传算法优化SVR(GA-SVR)的模型预测结果比较,结果显示,提出的算法模型相关系数R2=0.993 5,预测均方根误差RMSEP=0.043 5,最优参数C和σ组合为(512,0.044 2),平均训练时间为13 s。相较于上述五种预测模型,R2分别提高了1.22%,11.66%,0.78%,0.74%和0.77%,训练效率分别提升4.15倍(BPNN),8.30倍(GS-SVR),21.38倍(PSO-SVR),10.23倍(GA-SVR)。模型的预测精度以及训练效率方面都取得了很大的提升,为复杂水体硝酸盐浓度的快速实时在线监测提供了一种新的方法。同时,该方法具备一定的普适性,也适用于其他水质参数预测模型的建立。     

基于拓扑结构的碱金属化合物摩尔磁化率的支持向量回归研究

基于经典电动力学导出的表征简单离子磁化率的磁性点价g_i所构建的分子磁性连接性指数?^mF及45种碱金属化合物的摩尔磁化率χ_m的实测数据集,利用粒子群寻优的支持向量回归（SVR）方法,建立了基于⁰F和¹F的碱金属化合物χ_m的预测模型,并与基于多元线性回归（MLR）模型的计算结果进行了比较.结果显示,基于9次交叉验证的SVR模型预测的平均绝对误差、平均相对误差绝对值以及均方根误差均比MLR模型小,表明SVR模型的回归预测能力优于MLR.研究表明,磁性连接性指数^mF是一种合适的分子描述符,SVR是一种预测碱金属化合物χ_m的有效方法. 关键词： 碱金属化合物 摩尔磁化率 支持向量回归 预测     

基于EEMD-近似熵和储备池的风电功率混沌时间序列预测模型

针对风电功率时间序列的混沌特性,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)-近似熵和回声状态网络(echo state network, ESN) 的风电功率混沌时间序列组合预测模型.首先为降低对风电功率局部分析的计算规模以及提高预测的准确性, 利用EEMD-近似熵将风电功率时间序列分解为一系列复杂度差异明显的风电子序列; 然后对各子序列分别建立ESN、经过高频分量正则化改进的EEMD-ESN模型和最小二乘支持向量机预测模型; 最后以某一风电场实际采集的数据为算例,仿真结果表明EEMD-ESN模型在训练速度和预测精度上优于最小二乘支持向量机模型,为实现风电功率短期预测的在线工程应用提供了新的有益参考. 关键词： 混沌时间序列 风电预测 集成经验模态分解 近似熵     

可见-近红外光谱的潮间带沉积物有机碳含量的几种模型预测方法

可见-近红外光谱已被证明是一种快速、有效的有机碳(TOC)含量预测方法。但是,当前利用光谱预测TOC含量的研究对象主要为土壤或湖泊沉积物,还未见潮间带海洋沉积物的研究报道。为了快速准确预测潮间带沉积物TOC含量,通过异常样本剔除、光谱特征变换、特征波长提取相结合,构建TOC预测模型,即,采集潮间带沉积物样品光谱,采用马氏距离、标准杠杆值和学生残差联合分析的方法剔除异常样本,利用多元散射校正(MSC)、平滑+微分进行光谱变换,利用遗传算法(GA)提取特征波长,采用偏最小二乘法(PLS)、最小二乘支持向量机(LSSVM)和BP神经网络(BPNN)对沉积物TOC含量进行建模和预测,通过决定系数(R~2)和剩余估计偏差(PRD)来评价模型精度。结果表明,剔除异常样本有助于提升模型精度, BPNN模型的检验R~2和PRD分别提升了28%和39%。MSC光谱变换效果优于平滑+微分,基于MSC光谱变换的PLS, LSSVM和BPNN模型检验R~2分别为0.81, 0.86和0.78, PRD分别为2.25, 2.59和2.07,比平滑+微分提升了9%～20%(R~2)和11%～22%(PRD),意味着MSC具有较强的TOC信息提取能力。GA不利于增加预测模型精度,基于GA特征波长的模型预测R~2降低了9%～36%, PRD降低了18%～33%,可能与GA提取的特征波长数量偏少有关。BPNN模型的预测精度最低,可能与其容易陷入局部极小点有关。PLS模型精度较高,可以很好的预测潮间带沉积物TOC含量。基于异常样本剔除和MSC光谱变换, PLS模型的建模R~2为0.98,检验R~2为0.81, RPD为2.25。LSSVM模型精度更优于PLS, LSSVM模型建模R~2为0.99,检验R~2和RPD分别为0.86和2.59,显示极好的TOC定量预测能力。总之,针对潮间带沉积物TOC含量预测,可以将剔除异常样本、 MSC光谱变换、 LSSVM建模结合起来,以获得可靠、稳定的预测模型。     

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.     

含噪混沌时间序列预测误差分析

对于含噪混沌时间序列预测问题, 传统方法存在较大的经验性, 对预测误差的构成分析不足, 因而忽略了混沌动态重建与预测模型建立之间的差异性. 本文将实际预测误差分解为预测器偏差和输入扰动误差, 并对整体最小二乘和正则化两种全局预测方法进行分析比较, 进而说明整体最小二乘适用于混沌动态的重建, 对预测器偏差影响较大, 而正则化方法能够改善预测器敏感性, 对输入扰动误差影响较大. 通过两个仿真实例, 展示了混沌动态重建与预测模型建立之间的差异, 在对比最小二乘和正则化方法的同时验证了实际预测误差受预测器偏差和输入扰动误差共同作用. 并指出, 在实际操作时应在二者间寻求平衡, 以便使模型预测精度达到最优. 关键词： 混沌时间序列预测 噪声 整体最小二乘 正则化