非线性混沌系统预测模型与仿真研究

主要研究由非线性混沌时序所确定的动力系统的预测方法及其应用，通过改进的最优化方法来估计模型的参数，并在其相空间中对时序的未来值进行预测，实例仿真，发现选取最佳的模型阶数能增加预测的准确程度，且混沌时序不可能进行长期的预测。     

非线性混沌系统预测模型与仿真研究

主要研究由非性线混沌时序所确定的动力系统的预测方法及其应用,通过改进的最优化方法来估计模型的参数,并在其相空间中对时序的未来值进行预测,实例仿真,发现选取最佳的模型阶数能增加预测的准确程度,且混沌时序不可能进行长期的预测.     

基于QPSO-FNN的混沌时间序列预测

提出一种太阳黑子月均数混沌时序的模糊神经网络预测方法。该方法根据时间序列的延迟因子和饱和嵌入维数重构相空间,利用Lyapunov指数法判别时序系统的混沌特性,采用混合pi-sigma模糊神经推理方法拟合混沌吸引子特性。其中混合pi-sig-ma模糊神经网络以高斯基函数作为模糊子集的隶属度函数,在线动态调整隶属度函数和结论参数,并采用量子粒子群算法(QPSO)优化网络初始参数,提高预测准确度。该模型具有物理意义清晰、预测精度高以及预测结果确定等优点,仿真实验结果证明了该方法的有效性。     

基于泛函网络的周期来压预测方法研究

为预测周期来压,构建了基于小波和混沌优化的泛函网络(FN)预测方法。该方法利用小波分解技术将所选的样本集数据分解成不同频率的分量。基于混沌理论对分量相空间进行重构。各重构分量分别使用FN模型进行训练。最后,将各个FN模型得到的预测分量进行小波重组,得到完整的周期来压荷载预测波形。通过在重构时的计算发现,荷载的时序序列有一定的混沌性。通过模拟并与3种其它模型进行比较发现,基于小波和混沌优化FN的预测模型得到的最终周期来压荷载波的精度更高,收敛性也较好,但是,时间成本较大。     

基于预测控制的混沌系统参数微调控制方法

本文将预测控制理论引入混沌系统的控制研究中，提出一种基于预测控制的混沌系统参数微调控制方法，通过对控制参数进行微调，将模型未知时的混沌运动稳定到系统的不稳定不动点处．与现有同类方法相比，本控制系统具有快得多的响应速度，需要较短的时间就能实现混沌系统的控制．本方法能够控制超混沌系统，算法简便，控制算法的收敛性和控制系统的稳定性能够保证，理论分析和仿真实验都表明了本方法的有效性．     

非线性混沌时序的神经网络预测与控制算法研究

基于神经网络对时序问题的预测能力，本文提出了将混沌和神经网络相结合，应用神经网络来训练混沌序列的预测模型及方法，实现了将混沌系统快速地稳定到期望点上。理论分析和仿真结果均表明了该方法的有效性，且算法弹性大，可扩充性好，稍作修改后，可适应不同的混沌映射。     

基于模糊预测器模型的混沌时间序列预测

基于数据挖掘思想，使用兴趣度度量和改进的梯度下降法，提出一种新的、具有自学习能力的模糊方法来建模和预测混沌时间序列．所提方法不仅能同时辨识模糊模型、调整其参数及确定输出空间的最优模糊子集，而且解决了梯度下降法中存在的收敛速度和振荡之间的冲突问题．仿真结果表明新方法是有效的、准确的，它能很好地辨识系统的特征，并且提供了一种混沌时间序列预测的新方法．     

基于小波变换和混沌理论的复杂系统状态预测方法研究

应用小波变换和混沌理论对复杂系统状态预测方法进行了研究．首先，应用小波变换对系统的特征参数序列进行分解，得到低频部分和高频部分．然后，对低频部分和高频部分做进一步分析，以确认低频部分和高频部分都存在混沌特性．再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，实现对系统特征参数序列的预测．实例研究表明，此方法具有较高的预测精度，可有效地应用于复杂系统的状态预测和故障趋势预测分析．     

基于混沌优化算法的支持向量机参数选取方法

支持向量机（SVM）的参数取值决定了其学习性能和泛化能力．对此,将SVM参数的选取看作参数的组合优化,建立组合优化的目标函数,采用变尺度混沌优化算法来搜索最优目标函数值．混沌优化算法是一种全局搜索方法,在选取SVM参数时,不必考虑模型的复杂度和变量维数．仿真表明,混沌优化算法是选取SVM参数的有效方法,应用到函数逼近时具有优良的性能．     

基于径向基神经网络的局域预测法及其应用

一般的加权一阶局域预测法是利用最小二乘法求解模型,从而对混沌时序进行预测。基于径向基神经网络的局域预测法是在加权一阶局域预测模型的理论基础上,应用径向基神经网络代替加权一阶局域预测模型构成了基于径向基神经网络的局域预测模型。通过对Logistic映射以及Lorenz系统的3个分量的混沌时间序列的预测仿真,表明该预测方法对混沌时间序列的预测具有较好的效果。     

基于免疫算法的混沌多模型微扰控制

A.Duchateau et al的多模型控制策略是一种改进的OGY方法,为扩大控制器在吸引子中的作用范围,需要在混沌系统的一条无控收敛轨道上设置一系列的局部线性模型,由线性反馈控制律把混沌系统引导到不动点,这要求控制器的结构和控制量的大小是可变的.本文应用人工免疫算法的参数和结构双重可塑性来产生多模型控制策略控制律,由此提出了一种新的混沌控制方法.对Hénon映射仿真的结果表明:与其他方法相比,新方法能在较短的混沌暂态时间内把系统控制到预定轨道.因此,基于人工免疫算法的混沌多模型微扰控制方法能对混沌系统实施有效控制,且能够应用于系统全局动力学模型未知而仅获得实验数据的情况.     

基于马尔科夫链理论的改进的最大Lyapunov指数混沌预测法

针对很多文献都一直规避的基于最大Lyapunov指数的混沌预测会出现两个预测值的问题,引入马尔科夫链改进最大Lyapunov指数的混沌预测方法。改进的方法将时间序列的斜率作为状态变量,并根据马尔科夫链建立状态转移矩阵,判定预测值演化方向,进而根据混沌动力学系统的演化规律选择最优的预测值。最后利用渝武高速公路的交通流数据进行验证,结果表明了改进算法的可行性和有效性。     

依据混沌理论进行非线性系统建模变量个数的最优选取

依据确定性混沌理论,提出一种非线性系统建模变量选取的方法。仿真例子表明,无论是对典型的混沌系统的时间序列建模,还是对具有混沌特性的经济系统的时间序列建模,采用所提出的方法选取建模变量所建模型的拟合精度很高,预测和泛化能力相当好。     

Adaptive Synchronization for Generalized Lorenz Systems

In literature it is conjectured that the states of the generalized Lorenz system with an unknown parameter can not be estimated by adaptive observers. In this paper we show that this unknown parameter and the states can actually be estimated simultaneously by some kind of adaptive observer. The proof is obtained by constructing some exponential observer to achieve chaotic synchronization for the generalized Lorenz system. The result implies that more work needs to be done to apply generalized Lorenz system in secure communication.      

Training algorithm for radial basis function neural network based on quantum-behaved particle swarm optimization

Radial basis function (RBF) networks are widely applied in function approximation, system identification, chaotic time series forecasting, etc. To use a RBF network, a training algorithm is absolutely necessary for determining the network parameters. The existing training algorithms, such as orthogonal least squares (OLS) algorithm, clustering and gradient descent algorithm, have their own shortcomings respectively. In this paper, we propose a training algorithm based on a novel population-based evolutionary technique, quantum-behaved particle swarm optimization (QPSO), to train RBF neural network. The proposed QPSO-trained RBF network was tested on non-linear system identification problem and chaotic time series forecasting problem, and the results show that it can identify the system and forecast the chaotic time series more quickly and precisely than that trained by the particle swarm algorithm.     

基于连续度聚类和动态ARMA时间序列预测I／O区域

为了动态优化存储系统中数据的分布，存储系统需要能动态发现密集I／O区域和预测未来密集I／O访问的区域，并根据发现和预测的结果来指导存储系统的优化。为此，本文根据存储系统的特点提出了实用且高效的基于连续度的聚类算法来发现密集I／O访问的区域，并采用ARMA时间序列模型来预测密集I／O可能访问的区域。为提高预测的准确性，采用了动态参数估计的策略。通过大量实验的结果验证了这两种算法的正确性和预测的准确性，对存储系统的优化具有较好的指导作用。     

小波网络在带噪声的混沌时间序列预测中的研究

在采用网络模型对带有噪声的混沌时间序列进行建模的过程中,噪声会影响模型的泛化能力。针对上述问题,本文提出了基于小波去噪的小波网络预测框架。在预处理阶段使用小波阈值方法抑制噪声,运用相空间重构理论确定嵌入维数和延迟时间,进而确定改进的小波网络模型的结构,结合BP算法和遗传算法对模型的参数进行学习。最后,在带噪声的Mackey-Glass混沌序列预测实验中验证了该框架的有效性。     

基于熵权的网络流量预测加权局域线性模型

采用熵权系数代替空间距离来确定相空间邻近相点及其权重的方法,提出了一种网络流量预测的加权局域线性模型,该模型克服了用距离来确定相空间邻近相点及其权重的传统局域模型在预测高嵌入维的混沌时间序列时预测精度下降的缺点。模拟试验结果表明,和传统加权模型相比,当网络流量时间序列的嵌入维数较高时,该模型能大幅度提高预测精度。     

TAGUCHI'S DESIGN OF EXPERIMENT IN COMBINATION SELECTION FOR A CHAOTIC TIME SERIES FORECASTING METHOD USING ENSEMBLE ARTIFICIAL NEURAL NETWORKS

Taguchi's design of experiment, an effective approach to identify factor-level combinations, was utilized to improve the result of a proposed chaotic time series forecasting method. In the proposed method, a residual analysis using a combination of embedding theorem and ensemble neural networks was employed to forecast chaotic time series. The time series was reconstructed into proper phase space points and fed into the first neural network. The network was trained to predict the future value of phase space points and chaotic time series. The analysis of residuals of the predicted time series showed that in many events they demonstrate chaotic behaviour. The residuals were treated as a new chaotic time series and reconstructed. A new network was trained to predict the future of the residual time series. The residual analysis was repeated several times. Finally, the last network was trained using a forecast value of the original time series and residuals as input and the original time series as output. The final network was used to capture the relationship between the forecast values of the original time series and residuals and the original time series. A systematic approach is introduced using Taguchi's method to improve the combination selection of networks and their parameters. The method was applied to some real-life chaotic time series. The experimental results confirmed that the proposed method performed more effectively and accurately compared to the same method using randomized factor-level combinations and other existing forecasting methods in the literature.     

基于聚类和ARMA时间序列的I/O区域预取

预取是提高存储系统性能的主要手段之一.但现有存储系统的设备层并不知道任何I/O访问的语义信息,因而不能充分利用I/O访问的语义来预取下一时刻要访问的数据,只能利用较简单的方式如I/O访问的局部性、顺序访问和循环访问等特性来实现简单的预测.为此,本文根据存储系统的特点提出了实用且高效的基于连续度的聚类算法来发现密集读请求访问的区域,并采用ARMA时间序列模型来预测密集读请求可能访问的区域及访问时刻,为正确的预取提供了准确的信息.为提高预取的准确性,并采用了动态参数估计的策略.通过大量实验的结果验证了这两种算法的正确性和预测的准确性,能较大的提高存储系统的预取效率.