降雨时间序列降噪及预测系统建模研究

以解决降雨混沌时序预测精度较低的问题为目的，基于相空间重构思想，应用混沌降雨时序奇异值分解技术对混沌时序的噪声进行了剥离。采用定性和定量的混沌特性判定方法，计算指出降雨时序具有明显的混沌特性。在此基础上构建了基于最小二乘支持向量机的降噪、预测一体化模型并进行了多步预测实验。结果表明降噪前后预测精度相差很大，证实了噪声是造成混沌预测方法预测精度较低的主要原因。通过与其他预测方法比较，验证了所建立的混沌预测模型能够捕捉到原混沌系统的动力学特征，预测误差较小，泛化能力较强，其预测效果较好。     

降雨时间序列降噪及预测系统建模研究靠

以解决降雨混沌时序预测精度较低的问题为目的,基于相空间重构思想,应用混沌降雨时序奇异值分解技术对混沌时序的噪声进行了剥离。采用定性和定量的混沌特性判定方法,计算指出降雨时序具有明显的混沌特性。在此基础上构建了基于最小二乘支持向量机的降噪、预测一体化模型并进行了多步预测实验。结果表明降噪前后预测精度相差很大,证实了噪声是造成混沌预测方法预测精度较低的主要原因。通过与其他预测方法比较,验证了所建立的混沌预测模型能够捕捉到原混沌系统的动力学特征,预测误差较小,泛化能力较强,其预测效果较好。     

基于时间序列的相空间重构算法及验证（一）

很多非线性系统的外部特性通常只能是某个单变量的时间序列，采用延迟坐标状态空间这种相空间重构方法，对非线性系统中的单一时间序列进行分析，从中恢复出系统内部存在的非线性动力学特性，对两个关键参数的选择做了大量的理论分析研究，用某些经典的混沌系统对这些算法进行了验证，结果表明程序计算的实际值和理论值基本一致。     

基于时间序列的相空间重构算法及验证（二）

很多非线性系统的外部特性通常只能是某个单变量的时间序列．采用延迟坐标状态空间这种相空间重构方法，对非线性系统中的单一时间序列进行分析，从中恢复出系统内部存在的非线性动力学特性．对两个关键参数的选择做了大量的理论分析研究．用某些经典的混沌系统对这些算法进行了验证，结果表明程序计算的实际值和理论值基本一致。     

基于相空间重构和支持向量机的矿井涌水量预测

针对矿井涌水量典型的非线性特征,应用相空间重构与支持向量机耦合方法进行预测。将矿井涌水量的时间序列作相空间重构,并以最小嵌入维数作为支持向量机的输入节点,根据支持向量机原理建立矿井涌水量的预测模型。实例计算表明:与其他维数相比,当嵌入维数为4时,矿井涌水量的预测精度最高,说明引入最小嵌入维数是正确的。为检验该方法预测的可靠性,分别采用最小二乘法、指数函数法、相空间重构与支持向量机耦合法对实际矿井涌水量观测值进行回归预测。结果表明,非线性方法的预测效果比线性方法更佳。不同核函数预测结果证实RBF是最优的。     

基于时间序列的相空间重构算法及验证(一)

很多非线性系统的外部特性通常只能是某个单变量的时间序列.采用延迟坐标状态空间这种相空间重构方法,对非线性系统中的单一时间序列进行分析,从中恢复出系统内部存在的非线性动力学特性.对两个关键参数的选择做了大量的理论分析研究.用某些经典的混沌系统对这些算法进行了验证,结果表明程序计算的实际值和理论值基本一致.     

基于时间序列的相空间重构算法及验证(二)

很多非线性系统的外部特性通常只能是某个单变量的时间序列.采用延迟坐标状态空间这种相空间重构方法,对非线性系统中的单一时间序列进行分析,从中恢复出系统内部存在的非线性动力学特性.对两个关键参数的选择做了大量的理论分析研究.用某些经典的混沌系统对这些算法进行了验证,结果表明程序计算的实际值和理论值基本一致.     

基于相空间重构的LS-SVM股票价格预测

提出一种基于相空间重构的最小二乘支持向量机（LS-SVM）的股票价格预测方法。采用混沌时间序列对股票价格数据进行相空间重构,应用贝叶斯框架对最小二乘支持向量机的参数选优。预测结果表明,该模型具有误差小、拟合程度高等优点,可适用于股票价格预测。     

基于相空间重构和最小二乘支持向量机的滑坡预测

针对滑坡位移时间序列的非线性特性,引入基于相空间重构和最小二乘支持向量机（LSSVM）的预测法.利用Cao氏方法确定嵌入维数,根据互信息法计算最佳延迟时间;然后在相空间中,利用最小二乘支持向量机（LSSVM）建立预测模型.试验结果表明,模型具有较高的精度,是科学可行的.     

基于GA和LS-SVM的时间序列预测

支持向量机是在统计学习理论基础上提出的一种全新的机器学习方法。由于其出色的学习性能,该技术已经成为机器学习界的研究热点。研究了基于最小二乘支持向量机的建模方法,并用遗传算法自动获取最小二乘支持向量机的最优参数。在Matlab中ANFIS方法在输入维数大于5时就不予计算,而本建模方法则能够处理高维输入的非线性系统。并将其应用到十维Mackey-Glass混沌时间序列的预测中。结果表明,该方法具有自动获取最优参数、训练速度快、精度高、泛化能力强等优点。     

基于非线性状态空间投影的混沌序列消噪算法

针对混沌信号和噪声在状态空间中吸引子的不同表现形式, 研究了一种基于非线性状态空间投影的混沌时间序列消噪算法.对仿真信号和实际测量信号都进行了实验, 得到了较好的噪声消除效果.其中仿真信号是受到50%高斯白噪声污染的Lorenz信号;实测信号是从孕妇腹部测得的一导联混合信号.模拟仿真和半实物仿真都体现了该算法在混沌信号消噪方面的应用价值.     

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。     

边坡变形预测的混沌时间序列全局近似方法

边坡系统的各种参量是不确定的和随机的,在其演化过程中发生一系列的混沌现象.运用现代混沌理论,对边坡变形的预测问题进行探索性研究,把混沌时间序列全局近似方法引入到边坡工程研究中,对该理论的建立及预测方法进行系统地讨论.通过对新滩滑坡的研究结果表明,混沌时间序列方法对混沌序列的预测较线性时间序列具有较高的精度.     

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。     

凝析气藏生产气油比混沌时间序列预测方法

混沌时间序列预测方法在油气田勘探开发过程中发挥着重要的作用。地下储层通常具有较强的非均质性,流体的流动也受到多种未知因素的影响,这也与各种混沌现象极为相似。根据相空间重构理论,应用遗传算法求取最小嵌入维数m及时间延迟τ,构建了混沌时间序列模型,并对牙哈凝析气藏两口井的生产气油比进行了模拟及预测,拟合误差小于6%。研究结果表明,该预测模型有较高的精度。     

基于BP神经网络的混沌时间序列预测方法及应用研究

神经网络在时间序列的预测中得到广泛的应用,但神经网络模型的输入层神经元个数的选取仍然没有一个明确的解析式来表达.为解决这个问题,在非线性动力系统中,根据混沌理论重构相空间,通过最大Lyapunov指数判定时间序列是否存在混沌现象,存在则通过G-P算法计算出混沌吸引子的关联维数,进而获得相空间的嵌入维数作为神经网络的神经元个数.通过上述方法对铝现有价格进行建模,验证该方法对时间序列的短期预测有较好的精度,在此基础上,对未来一段时间铝价格进行预测.     

利用最大Lyapunov指数检验混沌时序降噪效果

结合混沌时间序列的几何结构,提出了用最大Lyapunov指数特征量作为判别去噪效果好坏的指标,检验奇异谱降噪算法对混沌时间序列的有效性.通过对几个经典混沌系统的分析,结果表明奇异谱降噪算法对某些离散混沌系统是失效的,而对于一些连续混沌系统是有效的.     

基于混沌时间序列的地下水位多步预测模型

利用相空间重构技术,并借助G-P算法、C-C方法和Wolf方法从宁陵地区地下水位一维时间序列中提取 Lyapunov指数,结果表明此时间序列具有混沌特征。计算了宁陵地区地下水位时间序列的关联维数、时间延迟 和最大Lyapunov指数,将局域加权一阶多步预测模型应用于地下水位预测。预测表明,此模型可有效应用于地 下水位时间序列的多步预测。