小波分解求取含噪混沌时间序列的关联维数

关联维数是一个混沌时间序列分析中很重要的参数,在分析了噪声对关联维数求取的影响后,提出了一种应用小波分解求取含噪混沌时间序列关联维数的方法,数值试验证实了我们这种方法的正确性与可行性.     

航空发动机状态参数的关联维数分析

针对航空发动机性能、故障等状态监控的优化问题,以及视情维修的需要,提出了一种混沌时间序列的关联维数提取方法.采用互信息量法和饱和关联维数法,对飞参系统记录的发动机状态参数时间序列的时间延迟和嵌入维数进行了计算,并对时间序列重构相空间,应用G-P算法计算时间序列的关联维数.计算结果表明,发动机状态参数的关联维数为非整数,验证了发动机状态参数具有典型的混沌特性,且关联维数能够正确反映发动机状态参数的特征信息,为发动机状态监控和视情维修提供决策依据.     

非线性时间序列混沌特性分析及短期预测

为提高非线性时间序列预测的准确性和可靠性,采用基于混沌理论的方法对时间序列进行分析和预测.在研究关联维数和最大Lyapunov指数算法基础上,利用关联维数和最大Lyapunov指数判定时间序列的混沌特性,根据混沌特性参数建立预测模型,并对非线性时间序列进行预测.以上海证券交易所股票价格指数时间序列为实例验证预测模型,研究结果表明,基于混沌特性参数建立的预测模型具有较好的预测能力和预测精度,证明用该方法预测非线性时间序列具有可行性.     

多维相空间下提升机故障时序特征分析

针对矿井提升机故障时间序列的非线性特性,对提升机故障时间序列进行多维相空间重构,基于混沌理论并应用最大Lyapunov指数法和广义关联维数法对提升机故障时间序列进行特征分析,从而实现提升机的故障诊断。研究结果表明,矿井提升机故障时间序列具有混沌特征,提取的最大Lyapunov指数和广义关联维数可作为提升机故障诊断的特征量。     

Internet访问时间的混沌性解析

以CAIDA组织授权的海量数据为样本空间,利用相空间重构技术以及G-P算法,对时间维的Internet访问时间进行相空间重构,得到其混沌吸引子饱和关联维数为2.8308,证实Internet访问时间的演化过程具有混沌特征.在此基础上,根据关联维数及奇怪吸引子在相空间混沌轨道运动的特性,提出了三维微分方程组的Internet访问时间长期预测模型.     

基于回声状态网络的多变量预测模型的研究

考虑单变量在混沌时间序列预测中的不足,文章利用多变量模型进行混沌时间序列的预测。针对多变量预测过程中的维数过高问题,文章结合主元分析理论(PCA)和回声状态网络(ESN),构建了基于PCA和ESN的多变量混沌时间序列预测模型,将PCA降维后的时间序列数据输入ESN网络进行预测分析。论文对由Lorenz动态方程生成的三变量混沌时间序列进行了仿真实验,结果表明该模型有效地提高了预测的精度和预测的效率,是一种有效的混沌时间序列预测方法。     

基于混沌理论和神经网络的网络流量预测

针对目前网络流量预测不能很好地满足智能网络管理需求的现状,分析网络流量数据内在混沌特性,主要包括时间延迟、嵌入维数、关联维数及Lyapunov指数的计算,并将此分析耦合人工神经网络模型进行预测,最后给出某网络中心流量预测的实例,结果显示基于混沌时间序列分析的神经网络流量预测在数据动力特征刻画及误差控制上有显著优势。     

基于混沌时间序列的城网饱和负荷预测方法

由于饱和负荷预测的时间跨度大、影响因素多,易导致所得结果偏差较大.为此,基于混沌时间序列设计了一种新的城网饱和负荷预测方法.在相空间的基础上,计算负荷时间序列的饱和关联维数,选取重构相空间内的最佳嵌入维数,并定量分析负荷时间序列的混沌特性;然后确定饱和负荷的增长趋势,通过判断指标衡量饱和负荷预测值,并收集城网历史供电信息,获取最大负荷历史数据;运用趋势外推法建立函数模型,利用中值处理法获得模型预测平均值,选取实际负荷时间序列数据 对其精度实施检验,最终完成对城网饱和负荷的预测.实验结果表明:该方法预测结果较为准确,可消耗较短的时间达到较高的预测精度,具有良好的实用价值和应用前景.     

实测海杂波光电图像混沌特性研究

基于随机信号模型的光电图像海杂波抑制是目前海杂波背景下目标检测常用方法,检测性能不甚稳定。在分析混沌动力系统相空间重构的基础上,通过提取实际海杂波光电图像序列的关联维数和最大Lyapunov指数,检验海杂波是否具有混沌性。实验结果表明:海杂波光电图像序列具有有限的关联维数和正的最大Lyapunov指数,验证了海杂波光电图像序列的混沌特性。海杂波具有的混沌特性使得可采用短时间预测法抑制海杂波,为海杂波光电弱目标检测提供新的解决思路。     

混沌保密通信系统的替代数据检验研究

运用非线性检验技术中的替代数据方法，验证了混沌系统维数越高，保密性越强的理论，同时指出在欠采样间隔情况下，系统具有更强的保密性，为进一步利用非线性时间序列分析方法分析混沌保密系统提供了理论依据．     

相空间重构和参数统一求解的石油价格预测

为了提高石油价格预测精度,利用相空间重构和预测算法参数之间的相互联系,提出一种基于相空间重构和预测算法参数统一求解的石油价格预测模型（PSR-LSSVM）。选择最小二乘支持向量机作为石油价格预测算法,将相空间重构和LSSVM参数作为遗传算法的个体,通过选择、交叉和变异等进化机制找到最优的时间延迟、嵌入维和LSSVM参数,根据最优参数建立石油价格预测模型,并通过大庆石油价格时间序列对模型性能进行测试。结果表明,相对于独立优化相空间重构和LSSVM参数的石油价格预测模型,PSR-LSSVM获得了更高的石油价格预测精度,为具有混沌性的时间序列预测问题提供了一种新的研究思路。     

Learning chaotic attractors by neural networks

An algorithm is introduced that trains a neural network to identify chaotic dynamics from a single measured time series. During training, the algorithm learns to short-term predict the time series. At the same time a criterion, developed by Diks, van Zwet, Takens, and de Goede (1996) is monitored that tests the hypothesis that the reconstructed attractors of model-generated and measured data are the same. Training is stopped when the prediction error is low and the model passes this test. Two other features of the algorithm are (1) the way the state of the system, consisting of delays from the time series, has its dimension reduced by weighted principal component analysis data reduction, and (2) the user-adjustable prediction horizon obtained by "error propagation"-partially propagating prediction errors to the next time step. The algorithm is first applied to data from an experimental-driven chaotic pendulum, of which two of the three state variables are known. This is a comprehensive example that shows how well the Diks test can distinguish between slightly different attractors. Second, the algorithm is applied to the same problem, but now one of the two known state variables is ignored. Finally, we present a model for the laser data from the Santa Fe time-series competition (set A). It is the first model for these data that is not only useful for short-term predictions but also generates time series with similar chaotic characteristics as the measured data.     

一种改进的局部本质维数LID检测混沌方法

介绍基于确定吸收子维数上界检测混沌的LID算法,与关联数检测混沌算法比较该算法具有两个优点：可以区分出分形噪声和混沌;可以在较 低信噪比的情况下进行有效的检测。由于普遍利用基于SVD分解的LID算法在有噪声的情况下阈值很难确定,本文分析了SVD分解计算LID缺陷的原因,并在此基础了提出了一种基于局部Neymark分解计算LID检测混沌的算法,仿真表明取得了很好的结果。     

基于最大互信息的混沌时间序列多步预测

针对混沌时间序列的多步预测,提出了基于最大互信息（MMI）的建模方法.首先建立时间延迟、嵌入维数和预测步长在相空间的最大信息量模型;然后利用遗传算法求解并确定混沌时间序列的最佳预测结构;最后对Mackey-Glass系统和月太阳黑子的仿真实验表明,MMI可以确定更好的预测结构,提高了混沌时间序列的预测精度.     

基于支持向量机的压裂井层优选

压裂是油田重要的增产措施，合理选择压裂井层是一项十分复杂的工作。在对影响压裂效果的各种因素综合分析的基础上，提出了基于支持向量机技术的压裂效果预测方法。采用该方法，利用油田开发动、静态数据，构建了压裂井层优选的支持向量机模型，对大庆油田采油八厂样本进行处理，符合率达89％以上，并在不同数目学习样本的情况下同模糊神经网络作了比较，性能远优于模糊神经网络，可很好地克服过学习问题。     

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。     

基于人工免疫系统的沉积微相自动识别

为了采用测井曲线实现沉积微相的自动识别,通过测井曲线变化趋势的编码和人工免疫系统的克隆免疫、变异等算子,建立基于人工免疫系统的测井曲线识别模型,实现了不等长特征曲线匹配过程的快速收敛。对胜利油田150个沉积微相进行识别,正确率达到95%,证实了该模型应用的有效性。     

交通流量VNNTF神经网络模型多步预测研究

研究了VNNTF 神经网络（Volterra neural network trafficflow model,VNNTF） 交通流量混沌时间序列多步预测问题. 通过分析比较交通流量混沌时间序列相空间重构的嵌入维数和Volterra 离散模型之间的关系,给出了确定交通流量Volterra 级数模型截断阶数和截断项数的方法,并在此基础上建立了VNNTF 神经网络交通流量时间序列模型;设计了交通流量Volterra 神经网络的快速学习算法;最后,利用交通流量混沌时间序列对VNNTF 网络模型,Volterra 预测滤波器和BP 网络进行了多步预测实验,比较了多步预测结果的仿真图、绝对误差的柱状图以及归一化后的方均根;实验结果表明VNNTF 神经网络的多步预测性能明显优于Volterra 预测滤波器和BP 神经网络.