基于核函数的混沌序列局域线性预测方法

针对局域线性预测方法本质上是用较简单的非线性函数来预测高度非线性的混沌时间序列的不足,提出了一种基于核函数的局域线性自适应预测算法。该算法利用包含了相空间中邻近点之间的相对距离信息的核函数,将相空间中的邻近点投影到更高维的非线性核空间,在高维(甚至无穷维)的核空间用线性自适应算法预测混沌时间序列,相当于在原混沌相空间用高度非线性的函数预测高度非线性的混沌时间序列,可获得更好的预测结果。给出了应用该方法的具体步骤,通过仿真实验证明了该算法的有效性。     

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。     

基于关联度的跳频频率多步预测方法与仿真

对于跳频频率多步预测,目前采用较多的是基于欧氏距离意义下的最邻域混沌预测方法.但基于欧氏距离意义下的最邻域混沌预测方法预测精度难以满足实际需求,因此限制了其多步预测能力.为此,为了提高预测精度及多步预测能力,提出了一种基于关联度的跳频频率多步预测方法.通过计算机仿真表明,基于关联度的跳频频率多步预测方法较基于欧氏距离意义下的最邻域混沌预测方法具有更高的预测精度及多步预测能力.     

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。     

电力推进船舶电力负荷的多变量混沌局部预测

为提高电力推进船舶电力负荷预测精度,提出电力推进船舶电力负荷的多变量混沌局部预测.将相空间重构由单变量时间序列拓展到多变量时间序列,并依据电力推进船舶电力负荷及其相关因素构成的多变量时间序列进行相空间重构.针对每一分量时间序列采用互信息法进行最佳时间延迟的选择,最优嵌入维数则采用虚假邻点法进行确定.根据多变量混沌时序局部预测,提出基于正则化的电力推进船舶电力负荷多变量混沌局部预测.通过对实际船舶电力负荷的计算实例表明,基于多变量时间序列的预测方法比单变量预测具有较好的预测效果.     

改进非线性局部平均算法的混沌去噪研究

基于混沌序列重构相空间理论,提出一种改进的局部平均非线性去噪方法。该方法在邻域选择、数据更新等方面进行了改进,更好地校正相空间中点的位置,使其逼近真实的混沌吸引子轨迹,重构吸引子结构,而且计算更为简单可靠。分别对Henon映射产生的混沌序列和实际观测的月太阳黑子混沌序列进行仿真研究。结果证明此方法能够高效地去除噪声,同时保留原非线性系统的混沌特性,并且很好地区分相空间中的邻近轨迹。     

一种飞行数据预测方法

为了解决实际飞行试验中机载系统与GPS采样率频率相异,难以对飞行状态实时估计和性能导航进行计算等问题,通过对GPS进行预测来对数据统一化处理.如果机载系统采样频率是GPS的整数倍且GPS输出时间对应于机裁系统采样时刻,给出了一种基于模型的预测方法.对于一般情况,采用了时间序列的混沌多项式预测模型,对实测数据进行相空间重构的基础上,选取最优邻近点进行预测.实际飞行试验数据分析结果表明,给出的预测方法是有效的.     

基于神经网络的混沌系统状态预测

在对混沌时间序列的未来状态进行预测时,必须能够正确确定重构序列相空间时的最优时滞及最优嵌入维数,并根据序列状态的变化选定适当的模型进行预测。利用时间序列的自相关函数来确定时滞τ值,利用混沌序列嵌入维数与关联维数的关系来确定最优嵌入维数m值。在此基础上,选择神经网络模型来逼近真实系统,并采用一种新的算法来确定网络权重。最后,通过Logistic映射所产生的时间序列对所述理论进行了实证研究。     

我国资本市场混沌特性研究

提出通过相空间重构及 Lyapunov指数来判定系统的混沌特性 .给出了时间序列相空间重构中确定最小嵌入维数的伪邻点法及确定时滞参数的自相关函数法 ;提出了一种计算 Lyapunov指数的实用方法 ;最后 ,以上证综合指数收益率时间序列为例进行了我国资本市场混沌特性判定研究 .     

改进局部投影算法的混沌降噪研究

针对混沌信号降噪算法中邻域和局部噪声子空间的选取问题,提出了一种改进的非线性混沌降噪方法,即将小波理论和非线性混沌降噪算法结合起来,利用小波分析方法对相空间中的点进行初始邻域半径的估计,自适应地在相空间中选取合适的邻域点;并针对每一个小邻域进行不同的非正交投影,从而更新数据点。仿真中分别对Henon映射产生的混沌序列和实际观测的大连降雨量混沌序列进行了研究,结果证明了该方法简单可靠,且能够较好地校正相空间中点的位置,逼近真实的混沌吸引子轨迹。     

基于复杂性理论的黄河河川径流序列诊断分析

水文序列性质的诊断是水文预测的关键问题之一，至今没有得到有效解决．本文通过采用复杂性理论中的复杂性测度，对黄河干流不同水文站的河川径流序列进行诊断分析．结果表明：黄河干流径流序列以随机性为主，确定、随机和混沌成分共存；人类活动的影响总体使得径流变化的随机和混沌增大，且下游的随机成分大于上游，上游的混沌成分大于下游；同时表明复杂性测度具有较灵敏的识别能力，为识别河川径流序列的性质及人类活动的影响提供了一种新的方法，     

相空间重构的一种新方法研究

通过分析非线性动力学系统的特性,讨论了鞍点与混沌产生的关系,并通过仿真证实了吸引子上存在特征点对和特征距离。根据特征距离的2个重要性质提出了一种新的相空间重构方法。结果表明该方法是有效的。在数据量较少以及信号中存在噪声的情况下,该方法有较好的稳健性。     

应用小波理论进行股市预测

应用小波理论提出一种股票市场建模及其预测的方法,以上证综指为例进行了实证研究,并从吸引子结构的观点进一步分析了预测精度提高的原因。采用此方法进行股市预测,首先要应用小波理论对股指收益率序列进行分解,得到低频和高频部分;然后在此基础上作进一步分析,以确定各部分存在混沌特性;再应用混沌理论分别建立低频和高频部分的预测模型,对低频和高频部分进行预测;最后应用小波理论对混沌模型预测的结果予以重构,实现对原始收益率序列的预测。研究结果表明,该方法具有较高的精度,并具有极大的应用前景。     

应用混沌相空间模线性回归模型研究短期负荷预报

在一维 Lyapunov指数预报模型的基础上提出了混沌相空间模线性回归模型 ,并将该模型应用于短期负荷预报 .对厦门市实际负荷时间序列进行预报 ,取得了较满意的结果 .     

基于SVM的入库径流混沌时间序列预测模型及应用

针对常用的入库径流混沌预测模型只能做短期预测,且需要大量样本数据的问题,将支持向量机理论与混沌预测理论相耦合,建立基于支持向量机的入库径流混沌时间序列预测模型,该模型利用混沌理论中的相空间重构技术将原始入库径流序列映射到一个高维相空间,以相空间中的相,占为基础构造训练样本和测试样本,然后利用支持向量机理论进行预测。经实例计算,模型比基于最大Lyapunov指数的混沌预测模型、人工神经网络模型和自回归模型拟合效果好,预测精度高,丰富和发展了入库径流预测理论和方法。     

基于混沌理论和LSSVM的蒸汽负荷预测

蒸汽是一种重要的二次能源, 如何预知热电厂在未来时刻需生产的蒸汽负荷, 对于安全、经济地向用户提供高质量的热负荷具有重要意义. 针对短期蒸汽负荷序列的预测问题, 首先证明了蒸汽负荷序列具有混沌特性, 根据Takens定理, 重构蒸汽负荷时间序列相空间, 分别采用C-C方法和Cao方法确定延迟时间和嵌入维数; 然后在相空间中, 利用最小二乘支持向量机(LSSVM)建立蒸汽负荷预测模型, 并采用模拟退火算法(SA)改进的粒子群优化算法(PSO), 即SA_WPSO算法对LSSVM参数的选择方法进行了优化, 结果证明该方法能够取得很好的预测效果.     

基于小波与混沌集成的中国股票市场预测

应用小波变换和混沌理论提出了一种中国股票市场建模及其预测的小波与混沌集成的方法．首先应用小波分解理论对上证综指和深证成指日收益率序列进行分解，分别得到低频部分和高频部分，并在此基础上作进一步分析，结果表明中国股市存在混沌特性；然后应用混沌理论分别建立低频部分和高频部分的预测模型，对低频部分和高频部分进行预测；最后应用小波理论对混沌模型预测的结果予以重构，实现对原始收益率序列的预测．与现有方法比较，结果表明该方法具有较高的精度，有极大的应用前景．     

基于复杂性理论的径流时间序列动力学特征分析

将三种复杂性测度——复杂性C2、算法复杂性C0和近似熵ApEn运用于径流时间序列的分析之中,计算过程简便,对时间序列长度等条件的要求相对较低,因而更具有实用价值,为了解径流变化的动态特性开辟了新的思路.通过分析可以发现:黄河干流具有实测径流的随机性和混沌程度高于天然径流的随机性和混沌程度;上游的混沌程度高于下游,而随机性低于下游的动态特征.黄河干流整体上处于随机、混沌共存状态,随机强于混沌;各站径流序列中存在某种结构,这些结构可能是周期性变化、持续性变化或自相似结构.人类活动近十几年的影响,增大了上游径流变化的随机性、降低了上游径流的复杂性(混沌),使其对径流的预测能力下降,增加了径流序列的识别难度.黄河干流大型水利工程的运用,对径流的影响程度随着空间位置的加大而减弱.     

一种在线实时快速地判定交通流混沌的组合算法

交通控制的实时性要求高，需要在线实时快速地判定交通流混沌，才可能实现交通流的混沌控制。计算时间序列的最大Lyapunov指数是判定混沌的主要方法。本文提出一种在线实时快速地判定交通流混沌的组合算法。该算法先用关联积分法（C—C方法）确定重构相空间的两个重要参数——嵌入维m和延迟时间τ，再用小数据量方法计算时间序列的最大Lyapunov指数。为检验算法的有效性，首先将算法用于几个最大Lyapunov指数已知的经典混沌系统，比较计算结果；同时对皮埃莱（Bierley）跟驰模型产生的理论交通流时间序列做了仿真试验，计算了其最大Lyapunov指数。实验结果表明这种算法可以用于数据少的交通流时间序列，并且抗噪性好。