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．     

基于多尺度稀疏LSSVM的时间序列预测

最小二乘支持向量机在提高了支持向量机的运算速度的同时,失去了解的稀疏性.构造的多尺度稀疏最小二乘支持向量机,首先通过小波包分解对于数据进行多尺度描述,同时采用最小二乘支持向量机的学习算法获得数据之间的尺度相关性,可以实现解的稀疏性和可解释性,从而实现了系统的多尺度分解、子系统建模与合成的一体化.通过在时间序列预测上的应用可以发现,此模型在获得稀疏解的同时,极大地提高了系统的性能.而且,可以获得输出结果在不同尺度上的贡献度,增加了系统的可解释性.     

多任务LS-SVM在时间序列预测中的应用

针对单任务时间序列中存在的信息挖掘不充分、预测精度低等问题,提出了一种基于多任务最小二乘支持向量机（MTLS-SVM）的时间序列预测方法。该方法将多个时间序列任务同时进行学习,使得在训练过程中任务之间能够相互牵制起到归纳偏置作用,最终有效提高模型的预测精度。首先,利用相邻时间点之间的密切相关性,构造多个相邻时间点的学习任务,然后将每个任务对应的数据集同时训练MTLS-SVM模型并将其用于预测。将该方法用于几个时间序列数据集并与单任务LS-SVM方法相比,实验结果表明该方法具有较高的预测精度,验证了方法的可行性和有效性。     

混沌时间序列预测的建模与仿真研究

研究混沌时间序列预测准确性问题,由于混沌时间序列具有混沌性和非线性,传统时间序列预测方法不能准确将混沌时间序列变化规律计算出来,导致预测精度低.为了提高混沌时间序列预测的精度,提出一种改进支持向量机的混沌时间序列预测方法(PSO-LSSVM).PSO-LSSVM采用相空间重构对混沌时间序列进行重构,去除其混沌性,用支持向量机对非线性进行预测,并采用粒子群算法对支持向量机参数进行优化,对经典混沌时间序列Mackey-Glass最优模型进行仿真测试.仿真结果表明,PSO-LSSVM加快了预测速度,提高了预测精度,在混沌时间序列预测中具有很好的应用价值.     

增量式剪枝最小二乘支持向量机的时间序列预测

根据分块矩阵计算公式和支持向量机核函数矩阵本身特点,在增量式最小二乘支持向量机算法的基础上,通过引入剪枝方法改善最小二乘支持向量机的稀疏性,并将这种方法应用于时间序列预测,试验表明这一方法在预测精度及速度上具有一定的优越性。     

基于小波变换和AR-LSSVM的非平稳时间序列预测

提出一种基于二进正交小波变换和AR-LSSVM方法的非平稳时间序列预测方案.首先利用Mallat算法对非平稳时同序列进行分解和重构,分离出非平稳时间序列中的低频信息和高频信息;然后对高频信息构建自回归模型,对低频信息则用最小二乘支持向量机进行拟合;最后将各模型的预测结果进行叠加,从而得到原始序列的预测值.研究结果表明,该方法不仅能充分拟合低频信息,而且可避免对高频信息的过拟合.     

基于GM-LSSVR机场噪声时间序列预测模型

随着我国民航事业的不断发展,机场噪声问题日益严重.针对机场噪声时间序列预测问题,在分析了噪声数据特点的基础上,提出了一种基于GM-LSSVR的噪声序列预测模型,即将机场噪声时间序列进行分解,并分别建立趋势项的GM(1,1)模型和剩余项的LSSVR模型,用于机场噪声预测值的计算.在某机场实测数据中的应用表明,该方法的准确度明显优于其他预测方法.     

基于PSO-LSSVM模型的基坑变形时间序列预测

现场量测获得的基坑变形资料蕴含了系统内部力学演化信息.针对基坑变形影响因素的复杂性、监测数据的高度非线性以及人工神经网络方法的过学习问题,利用粒子群(PSO)算法优选最小二乘支持向量机(LSSVM)参数,并结合相空间重构理论进行数据预处理,提出了一种基于PSO-LSSVM模型的基坑变形时间序列预测方法.利用该方法建立基坑变形预测模型应用于动态设计和信息化施工,对保证基坑安全具有重要意义.将该方法用于昆明某基坑工程的深层水平位移预测,不断利用基坑前期工况的最新实测数据建模,对后期工况变形量进行滚动预测, 获得了令人满意的效果.     

LS-SVM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.文中将最小二乘支持向量机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,该方法具有很好的泛化能力和一定的噪声容忍能力.     

LS-SVM时间序列预测 ——免疫文化基因算法进行LS-SVM参数选优

针对最小二乘支持向量机（LS-SVM）在时间序列预测中的参数不确定问题,在训练阶段,使用结合了全局搜索和局部搜索的免疫文化基因算法来进行参数寻优。实验中通过对Lorenz时间序列和建筑能耗的两组预测实验,对比了免疫文化基因算法、遗传算法和网格搜索算法对LS-SVM参数的优化效果,证明了免疫文化基因算法的优化效果最好,且LS-SVM的预测精度比支持向量机（SVM）和BP网络预测都要高。     

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。     

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。     

Oracle中使用支持向量机的时间序列预测方法

利用Oracle数据库中的数据挖掘选件（Oracle Data Mining,ODM）,并使用存储在Oracle数据库中的时间序列数据,可构建预测时间序列未来值的支持向量机（Support Vector Machines,SVM）模型。建模时,需去除时间序列中的趋势,将目标属性标准化,确定包含延迟变量窗口的尺寸,利用机器学习方法,由时间序列历史数据得出SVM预测模型。与传统时间序列预测模型相比,SVM预测模型能够揭示时间序列的非线性、非平稳性和随机性,从而得到较高的预测精度。     

基于SVM的混沌时间序列分析

支持向量机是一种基于统计学习理论的新的机器学习方法,该方法已用于解决模式分类问题．本文将支持向量机（SVM）用于混沌时间序列分析,实验数据采用典型地Mackey-Glass混沌时间序列,先对混沌时间序列进行支持向量回归实验;然后采用局域法多步预报模型,利用支持向量机对混沌时间序列进行预测．仿真实验表明,利用支持向量机可以较准确地预测混沌时间序列的变化趋势．     

主成分分析与神经网络的结合在多变量序列预测中的应用

目前预测方法的研究主要集中在单变量时间序列上,本文建立起一种针对多元变量非线性时间序列建模和预测的方法框架.首先,同时考虑序列状态间的线性相关性和非线性相关性,建立初始延迟窗以包含充分的预测信息;然后,利用主成分分析(PCA)方法寻找不同变量在数据空间中的最大方差方向,扩展PCA应用于提取多个变量的综合信息,重构多元变量输入状态相空间;最后,利用神经网络逼近不同变量之间以及当前状态和将来状态之间的函数映射关系,实现多元变量预测.对Ro¨ssler混沌方程和大连降雨、气温序列的预测仿真说明了本文方法的有效性,为多元变量时间序列分析提供了一条新的途径.     

SSVR算法及炉膛燃烧状态时间序列预测

用支持向量回归（SVR）的方法分析和预测时间序列,可解决复杂非线性系统的建模问题。采用光滑化方法对SVR的基本算法进行改进,可降低计算的复杂度。将光滑支持向量回归（SSVR）算法应用于炉膛燃烧状态时间序列预测。对炉内火焰图像进行聚类分析,计算表征炉膛燃烧状态的状态指数,建立状态指数时间序列,并利用光滑支持向量回归算法构建预测模型。实验结果表明,SSVR方法具有更快的收敛速度、更好的拟合精度和良好的预测性能。     

基于聚类和支持向量机的非线性时间序列故障预报

针对非线性时间序列故障预报问题,提出了一种基于聚类和支持向量机的方法．将正常的时间序列按照K-均值聚类算法进行聚类学习,同时利用支持向量机回归的时间序列预测算法获得预测序列,然后通过比较聚类所得的正常原型和预测序列的相似性实现故障预报．仿真结果表明:本文提出的方法更能满足实时性的要求,也更为准确．     

结合独立成分分析和核向量机进行人脸识别

在人脸识别过程中,首先利用独立成分分析得到独立的人脸基影像,所提取的特征就是人脸图像在基影像上的投影系数,通过选择合适的特征个数可以达到较高的识别准确率。然后采用支持向量机和核向量机分别对待识别图像在基影像上的投影系数进行分类判决,结果显示二者都能达到较高的识别准确率,但随着特征个数的增加,核向量机的准确率更高,训练时间更短,支持向量更少。实验表明方法可行有效的。     

独立成分分析在瓦斯浓度预测中的应用研究

为提高含噪声瓦斯浓度数据的预测精度,提出了一种基于独立成分分析(ICA)和k-最近邻(kNN)法的反向传播人工神经网络(BP-ANN)预测模型。利用滑动时间窗算法产生训练样本矩阵,采用ICA方法估计训练样本矩阵中的独立成分,用不含噪声的独立成分重新构建训练集;运用k-NN法减小训练集规模,引入混合距离测度函数降低训练过程的计算复杂度。实验结果表明,该预测模型较普通BP-ANN模型有效减小了瓦斯浓度预测误差和训练时间。     

大尺度IP网络流量异常特征的多时间序列数据挖掘方法*

降低漏报率和误检率是网络流量异常检测的难点问题之一。本文提出了一种大规模通信网络流量异常特征分析的多时间序列数据挖掘方法,把多个网络流量特征参数构成的时间序列作为一个整体进行分析研究,进行多时间序列数据挖掘产生网络流量异常相关的有效关联规则,对整个通信网络的安全威胁进行准确地描述。Abilene网络数据验证了本文的方法。