混沌时间序列预测模型参数的联合优化

为了提高混沌时间序列预测模型的预测精度,提出了一种相空间重构和最小二乘支持向量机(LSSVM)参数的联合优化方法.联合优化方法的核心思想是首先采用均匀设计对相空间重构和LSSVM参数进行联合设计,然后采用自调用LSSVM进行参数联合优化,最后利用混沌时间序列对联合优化方法进行验证性测试.实验结果表明,联合优化方法预测精度明显优于其它优化方法,且优化速度更快.     

支持向量机在衰落信道预测中的应用

研究信道通信优化控制问题,针对传统衰落信道预测算法中的不足,提出一种改进LSSVM的衰落信道预测。首先通过相空间重构对衰落信道系数序列进行重构,然后采用LSSVM对训练样本集进行学习,并通过自适应遗传算法对LSSVM参数进行优化建立最优衰落信道系数预测模型,最后采用测试集对模型的性能进行验证。仿真结果表明,相对于传统LSS-VM模型,改进模型提高了衰落信道系数预测精度,是一种进行衰落信道非线性预测的有效方法。     

混沌时间序列预测模型参数同步优化

传统上相空间重构与预测模型参数优化分开优化,割裂两者的联系,模型预测性能难以达到最优。利用相空间重构和预测模型参数的互相关系,提出一种混沌时间序列预测模型参数同步优化方法。首先采用均匀设计方法对影响模型预测精度的参数进行均匀设计,然后采用自调用最小二乘支持向量机进行参数同步优化,得到最优参数。以经典混沌时间序列太阳黑子年平均数为例进行了验证,结果表明,相对传统的参数优化算法,参数同步优化算法时间复杂度低、预测精度高,为混沌时间序列预测模型参数优化提供了一种新的思路。     

粒子群算法优化相空间重构参数的网络流量预测模型

在网络流量预测过程中,相空间重构参数是影响预测性能的重要方面,传统参数分开优化,为了提高网络流量的预测精度,提出一种粒子群算法优化相空间重构参数的网络流量预测模型(PSO-BPNN);首先将BP神经网络作为学习算法,然后采用粒子群算法对相空间重构参数——延迟时间和嵌入维进行联合优化,并重构网络流量序列,最后以小波BP神经网络建立最优络流量预测模型,并采用仿真实验对模型性能进行分析,结果表明,PSO-BPNN提高了网络流量的预测精度。     

基于相空间重构双参数联合估计的网络流量预测

为了提高网络流量预测精度,提出一种基于相空间重构双参数联合估计的网络流量预测模型.首先采用极限学习机作为网络流量预测算法,然后预测结果优劣指选择相空间重构参数,最后建立单步、多步的网络流量预测模型,并通过仿真实验对其性能进行分析.结果表明,论文模型可以准确获得最优相空间重构参数,显著提高网络流量的预测精度,预测结果明显优于对比模型.     

一种参数联合优化的网络流量非线性预测模型

为了提高网络流量预测精度,利用相空间重构和神经网络参数间的相互联系,提出一种参数联合优化的网络流量非线性预测模型。将相空间重构和预测模型参数作为粒子群优化算法的粒子,网络流量预测精度作为粒子适应度函数,通过粒子之间相互协作获得全局最优参数,根据最优参数建立最优网络流量非线性预测模型,通过网络流量实例对模型性能进行测试。结果表明,相对于传统参数优化方法,参数联合优化方法大幅度提高了网络流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

改进ABC算法优化LSSVM的网络流量预测模型

为了提高网络流量预测精度,针对最小二乘支持向量机LSSVM(Least Squares Support Vector Machine)参数优化问题,提出一种改进人工蜂群ABC(artificial bee colony)算法优化LSSVM的网络流量预测模型(ABC-LSSVM)。该模型根据混沌理论对网络流量时间序列进行重构,然后将网络流量预测精度作为优化目标,通过ABC算法找到最优的LSSVM参数,并建立网络流量预测模型,最后采用仿真对比实验测试模型的性能。仿真结果表明,相对于参比模型,ABC-LSSVM解决了LSSVM参数优化的难题,能够更加准确刻画网络流量复杂变化规律,提高了网络流量的预测精度。     

基于ADE算法的LSSVM在混沌时间序列中的应用

为了提高基于最小二乘支持向量机(LSSVM)模型的时间序列预测方法的泛化能力及预测精度,研究一种基于自适应差分进化算法(ADE)的最小二乘支持向量机模型(ADE_LSSVM)。首先利用相空间重构技术对样本数据进行相空间重构,再利用ADE对LSSVM的两个参数进行组合寻优,最后利用Lorenz系统对模型进行仿真试验并与未进行参数优化的LSSVM预测结果对比。结果表明,ADE_LSSVM方法是一种可行的、有效的混沌时间序列预测方法,可为今后的科学研究提供新的理论思想。     

混沌时间序列预测模型的应用与研究

混沌时间序列预测模型的参数对预测结果起着关键作用,传统上参数优化单独进行,忽略参数之间的联系,导致预测的精度比较低.为了提高混沌时间序列预测精度,提出一种基于遗传算法的混沌时间序列预测模型参数优化方法.参数优化方法的核心思想是相空间重构和支持向量机参数寻优同时进行,通过遗传算法算法的选择、交叉和变异操作达到参数优化求解问题.以经典混沌时间序列Mackey-Glass为例进行了验证性实验.实验结果表明,相对传统的参数寻优方法和分开优化的方法,方法时间复杂度低、预测精度高,是一种有效性的混沌时间序列预测模型参数优化算法.     

遗传算法在混沌时间序列预测中的应用研究*

在混沌时间序列研究中,相空间重构和预测模型参数优化是影响预测性能的关键步骤,利用两者之间的相互联系来提高混沌时间序列预测模型的整体性能,提出一种基于遗传算法的混沌时间序列参数同步优化方法。同步优化方法将相空间重构和最小二乘支持向量机参数作为遗传算法的染色体,预测精度作为遗传算法的适应度函数值,通过遗传算法对参数同步优化问题进行求解。通过混沌时间数据对同步优化方法进行了验证性实验。实验结果表明,相对于单独参数优化方法,同步优化方法不仅提高了混沌时间序列的预测精度,同时降低了计算时间的复杂度。     

基于LSSVM的混沌时间序列的多步预测

结合相空间重构理论和统计学习理论，实现混沌时间序列的多步预测．采用擞熵率法求得最优嵌入维数和时延参数，重构系统相空间，用最小二乘支持向量机建立渑沌时间序列的多步预测模型，并与径向基函数网络预测模型比较．结果表明，所建立的模型能够捕捉到原混沌系统的动力学特征．前者的归一化均方根预测误差远小于径向基函数网络预测模型的预测误差，泛化能力较强．其预测效果较好．     

基于PSR-LSSVM的网络流量预测

为了提高网络流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种遗传优化最小二乘支持向量机的网络流量预测方法。首先将相空间重构和最小二乘支持向量机参数作为遗传算法的个体,将模型预测精度作为个体适应度函数,然后通过遗传操作获得模型全局最优参数,最后通过网络流量仿真实验进行性能测试。结果表明,相对于传统预测方法,遗传优化最小二乘支持向量机提高了网络流量的预测精度,为网络流量预测提供了一种新的研究思路。     

基于PSO-LSSVM模型的基坑周边建筑倾斜预测

针对基坑周边建筑倾斜变形影响因素的复杂性,以及监测数据的小样本和非线性特征,提出了一种基于PSO-LSSVM模型的基坑周边建筑倾斜的时间序列预测方法。采用相空间重构对基坑前期施工工况下的周边建筑沉降差时间序列进行重构,构建沉降差预测的学习样本输入到最小二乘支持向量机（LSSVM）中训练。利用粒子群算法（PSO）对LSSVM参数进行优化,获得最优预测模型,对后期工况施工期间的沉降差进行滚动预测,并代入公式计算得到未来倾斜变形值。将该方法用于昆明某基坑工程的周边建筑倾斜预测分析,取得了令人满意的预测结果。     

Oil holdup prediction of oil–water two phase flow using thermal method based on multiwavelet transform and least squares support vector machine

Oil holdup of oil–water two phase flow (OWTPF) was measured using thermocouple based on the thermal method. A new model based on least square support vector machines (LSSVM) and multiwavelet transform has been proposed for the first time, which is capable of forecasting oil holdup of oil–water two phase flow. The temperature signal of OWTPF is greatly disturbed by noises from external interference, which results in a limited measurement range of oil holdup. In order to solve the problem, a new signal processing method based on the multiwavelet transform is used. Multiwavelet transform has several scaling functions and corresponding wavelet functions, which can simultaneously achieve orthogonality, symmetry. With ideal performance, noises were removed and actual temperature signal was effectively retained. The fluctuated amplitude signal denoised and total flux of OWTPF were employed as inputs and the oil holdup was used as output of LSSVM model. In order to improve the predictive accuracy and generalization ability of the LSSVM model, a Genetic Arithmetic (GA) has been adopted to determine the optimal parameters of LSSVM model automatically. The experiment results indicate that the performance of LSSVM–GA model outperforms those of artificial neural network (ANN), LSSVM–GA model can be used for estimating the oil holdup of OWTPF with reasonable accuracy.     

基于FCM-LSSVM网络流量预测模型

为了提高网络流量的预测准确性,针对训练样本选取问题,提出一种训练样本选择的最小二乘支持向量机网络流量预测模型（FCM-LSSVM）。采用模糊均值聚类算法对网络充量数据进行了聚类分析,消除其中的孤立样本点,构建最小二乘支持向量机的训练集,然后将训练集输入到最小二乘支持向量机进行了学习,并采用人工蜂群算法对模型参数进行了优化,最后建立建立网络流量预测模型,并采用仿真实验对模型性能测试。仿真结果表明,相对于其他网络流量预测模型,FCM-LSSVM不仅提高了网络流量的预测精度,而且建模速度得以提高,获得了更加理想的网强流量预测结果。     

在重构相空间选取样本的时间序列分形预测

提出一种基于相空间重构原理进行样本选取的改进分形预测算法。该算法将时间序列在相空间重构中得到的嵌入维数和时间延迟作为分形预测中数据样本的选择依据,结合分形理论的拼贴定理和插值迭代算法,实现时间序列的分形预测,建立时间序列的分形预测模型。利用此改进算法对低压电力线噪声序列进行预测的结果表明,与现有分形算法相比,改进算法提高了数据样本间的相似度,优化了数据样本的选取,明显提高了预测的精度,适合于对自相似性和周期性不明确的时间序列的预测。     

交通流序列的Volterra自适应预测

基于混沌动力系统的相空间重构和非线性系统的Volterra级数,构建交通流的Volterra自适应预测模型.在应用小数据量法判定交通流存在混沌特性的前提下,分别用平均互信息法和虚假邻点法选取延滞时间和嵌入维数以实现对交通流时间序列的相空间重构.通过Volterra级数展开式建立非线性预测模型,采用LMS自适应算法实时调...