复杂系统状态预测的小波包方法

基于小波包变换和混沌理论对复杂系统状态预测方法进行了研究.首先应用小波包变换对系统的特征参数序列进行3层分解,得到第3层从低频到高频8个频率成分的时序;然后,对8个时序作进一步分析,以确认它们都存在混沌特性,再应用混沌理论分别建立8个时序的预测模型,分别对8个时序进行预测;最后,基于小波包理论将混沌模型预测的结果予以小波包重构,实现对系统特征参数序列的预测.实例研究表明,该方法具有较高预测精度,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中.     

基于小波和回声状态网络的交通流多步预测模型

针对交通流的含噪混沌特征,提出了一种基于小波回声状态网络的交通流多步预测模型。该模型利用小波多尺度分解方法,屏蔽了噪声成分对交通流动力学特性的干扰,同时提取了占有交通流绝大部分能量的混沌低频成分。在采用多路分量并行预测的方式下,充分发挥了回声状态网络对混沌低频分量的强大多步预测能力,从而保障了交通流多步预测的精度。对北京市西直门桥的实测交通流的预测结果表明:该模型的多步预测精度比传统的回声状态网络模型有了较大幅度的提升,在保证预测精度的前提下,最大可预测的步长也相应的增加。     

复杂系统状态预测的小波包方法

基于小波包变换和混沌理论对复杂系统状态预测方法进行了研究，首先应用小波包变换对系统的特征参数序列进行3层分解，得到第3层从低频到高频8个频率成分的时序；然后，对8个时序作进一步分析，以确认它们都存在混沌特性，再应用混沌理论分别建立8个时序的预测模型，分别对8个时序进行预测；最后，基于小波包理论将混沌模型预测的结果予以小波包重构，实现对系统特征参数序列的预测，实例研究表明，该方法具有较高预测精度，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中。     

基于回声状态网络和主元分析的混沌时间序列预测模型

回声状态网络(Echo State Network,ESN)能够极好地逼近非线性系统,在非线性混沌时间序列的预测中取得了良好的效果.但是,由于ESN的训练和预测过程是1个高维权值矩阵的运算过程,往往不能获得更好的预测速度.文章提出了一种基于主元分析与回声状态网络相融合的非线性混沌时间序列预测模型.该模型通过主元分析降低输入向量的维数,以减小ESN输入权值矩阵的规模,降低运算的复杂度,从而达到减小ESN训练时间、提高预测速度的目的.利用仿真数据对ESN和文中模型进行了精度和预测时间对比实验,表明该模型是一种有效模型.     

基于新息的多参量混沌时间序列LS-SVR加权预测

复杂系统常常依赖于通过观测所获得的多参量混沌时间序列进行预测分析.论文借鉴单参量混沌时间序列预测的思路,考虑全部相关参量混沌时间序列中的信息,以实现多参量混沌时间序列的相空间重构.同时,基于新息优先原理和支持向量机理论,结合混沌时间序列发展变化的规律,提出分别利用相空间重构后长期多样本和近期少样本构建2个自适应最小二乘支持向量回归预测模型进行加权预测的观点,并给出了以预测均方根误差最小为目标函数的模型参数混沌优化方法.论文以某飞机转子部件磨损故障的3个相关参量的仿真混沌时间序列为例进行了预测实验,结果表明文中方法有较好的预测精度,是一种有效的预测方法.     

基于暂态混沌神经网络的低阶混沌时间序列预测

暂态混沌神经网络是一种基于Hopfield网络提出的混沌神经网络,具有收敛速度快、不易陷入局部极小等优点．许多低阶的混沌系统都可以展成二阶volterra级数,因此提出一种基于暂态混沌神经网络和volterra级数的低阶混沌时间序列预测方法．该方法利用暂态混沌神经网络计算系统的volterra级数系数,确定系统的动力学模型,从而实现混沌时间序列预测．利用Logistic模型对该方法进行测试,结果表明,预测相对误差小于0．5％,预测可达到较高的速度和精度．     

基于小波神经网络的水文时间序列预测

复杂时间序列预测是时间序列分析的主要研究内容之一,已成为一个具有重要理论和实际应用价值的热点研究领域。基于小波和神经网络组合模型,提出一种多因子小波预测模型以提高水文时间序列的预测精度。并根据不同小波函数对水文时间序列数据的适应性,提出了一种基于加权相关系数的小波函数选择准则。以国家重要水文站淮河王家坝站汛期的日流量时间序列预测为例,对各种常用小波函数进行了实验。结果发现选择得到的Haar小波和B3 spline小波函数预测精度较高,从而验证了小波函数选取准则的有效性;通过和传统单序列小波神经网络模型比较,发现提出的多因子小波神经网络模型的预测合格率在不同预见期均提高了10％以上,并且对洪水高流量方向预测合格率提高了15％。     

基于混沌分析的BP神经网络模型及其在负荷预测中的应用

结合混沌分析理论和BP神经网络，提出在混沌相空间建立BP神经网络模型。运用混沌方法构成训练样本及确定神经网络的网络结构，用神经网络拟合相空间相点演化的非线性关系。并利用该模型对具混沌特性的电力系统日负荷时间序列进行短期预测，对比了标准BP网络模型和混沌线性回归模型的预测结果，结果表明基于混沌分析的BP神经网络模型的预测精度较高。     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法.首先利用小波变换把负荷序列分解成不同频段的子序列,对高频序列利用软阀值消噪法去除负荷噪声;对降噪后的负荷序列利用不同的小波进行分解.然后用相匹配的支持向量机模型预测各子序列.仿真结果表明db4小波的预测精度最高,平均绝对预测误差为1.6692%.所得结果同直接用支持向量机预测结果进行比较表明,该方法是有效的.     

基于SCAD-ESN的时间序列预测模型

回声状态网络（ESN）是一种重要的时间序列预测方法,但在训练数据存在噪声或野点情况下,ESN将会出现过拟合问题。针对该问题,提出基于平滑消边绝对偏离罚函数的回声状态网络（SCAD-ESN）模型。不同于在模型中加入岭回归、L₁范数罚函数及小波降噪等常规方法,该模型利用SCAD罚函数对变量进行选择,将小变量置为零以满足变量稀疏性,将大变量直接置为常数,从而能够很好地解决ESN过拟合问题并满足近似无偏估计。对于SCAD罚函数的非凸函数优化问题,提出基于局部二次近似（LQA）的求解方法,将最小角回归（LQR）方法用于SCAD罚函数求解,避免了计算量巨大的问题。使用基于粒子群优化（PSO）的超参数选取方法快速确定平滑消边绝对偏离-回声状态网络模型的超参数,克服利用经验选取超参数时存在的盲目性较大且难以确定整体最优的超参数问题。混沌系统数值仿真和网络流量仿真结果表明,相对于常规模型,该模型能有效地降低测试误差,从而克服过拟合问题。     

Aim

ing at the problem of low precision of multi-step traffic flow prediction, a cycle prediction model for traffic flow forecasting is presented. First, the time series is reconstructed by considering the periodicity of traffic flow in our model, and Principal Component Analysis (PCA) is explored as a dimensionality reduction method. Then the Echo State Network (ESN) model is used to predict the traffic flow time series. Meanwhile, an adaptive disturbance particle swarm optimization algorithm is used to optimize the parameters of the model. The availability of the proposed model is proved by predicting the time series of real traffic flow. The Mean Absolute Percentage Error (MAPE) of the prediction results is 9.8%, which is 12.7% lower than that of the traditional ESN multi-step prediction model. Experiments demonstrate that the proposed model can effectively prevent the delay of prediction results and greatly improve the precision of multi-step prediction.     

非线性时间序列B样条优化网络预测模型及工业应用

为有效实现非线性时间序列的实时预测,建立了一种B样条优化网络预测模型。在网络结构的设计中,将各个样条基函数的权值参数和节点位置同时视为待优化的独立变量,并选择预测误差平方和为评价函数,设计了一种全局优化算法,对网络结构进行优化。工业仿真实验结果表明,所提出的优化网络预测模型具有较高的预测精度,而且结构简单,待优参数少,是一种有效的非线性时间序列预测方法。     

基于阶次小波包与Markov链模型的转子早期故障诊断

针对转子启动过程中振动信号表现为非平稳、非高斯特征及传统诊断方法精度不高的现状,将阶次小波包和Markov链模型引入转子的早期故障诊断中,提出了一种新的自适应故障诊断模型。首先利用阶次跟踪算法对瞬态振动信号重采样,得到等角度分布诊断信号;其次采用小波包对该信号分解——重构,提取其在各频带的能量特征向量,通过Markov链模型对其进行预测;最后通过故障实例验证,结果表明:将阶次小波包变换和Markov链模型相结合进行故障诊断是可行而有效的。     

基于小波的Web流量组合预测方法研究

为了提高Web流量的预测精度，提出一种基于小波、神经网络和自回归的组合预测方法．首先将Web流量构造为2个相关序列：历史序列和相似值序列；对具有平稳特征的相似值序列用AR模型进行预测；对体现了Web流量非线性、非平稳特性的历史序列则经过小波分解与单支重构后，针对各分支特点分别采用神经网络和自回归模型预测；最后组合2条序列的预测结果获得最终预测值．理论分析与实验表明：组合预测方法可以充分利用与流量相关的多种数据关系；小波分析可以将历史序列分解为多层频率成分更加单纯、更加易于预测的时间序列．因而所建方法比传统的预测方法具有更高的预测精度．     

基于Morlet小波变换模拟实现的机械振动故障诊断

为了对机械振动故障进行实时诊断,提出了基于开关电流技术的Morlet小波变换的模拟实现方法。利用开关电流电路构造高斯函数发生器,解决了Morlet小波变换模拟实现的关键问题,其良好性能得到了仿真结果的证实。将Morlet小波变换应用到机械振动故障诊断中,根据对振动信号小波变换的模极值点来定位奇异信号,提取出故障信息。仿真结果表明了该方法对机械振动故障实时诊断的有效性。     

基于信息熵和SVM多分类的飞机液压系统故障诊断

飞机液压系统是典型的非线性系统,故障机理复杂,提取故障信息困难,且故障样本较少。针对飞机液压系统部件故障,文章采用了基于信息熵特征权值分配和支持向量机(SVM)多分类的故障诊断方法。先提取飞机液压系统压力信号的统计特征,然后通过计算特征信息熵为特征分配相应权值,将权值较大的特征作为支持向量机的输入向量,最后建立SVM多分类器将正常与多种故障状态进行分类;所采用的方法不仅有效降低了支持向量机模型的计算复杂度,而且提高了分类精度。通过建立飞机起落架收放系统仿真模型,对该故障诊断方法进行了验证研究。仿真结果表明,该方法选用高斯径向基核函数能够有效对液压系统进行故障诊断。     

改进回声状态网络的烟气轮机状态趋势预测

故障预测是保障大型设备安全运行和施行科学维护的关键技术,针对烟气轮机运行呈现出的非线性特性,引入回声状态神经网络进行状态趋势预测研究。采用奇异值分解方法对回声状态网络的线性回归训练算法进行改进,可提高回声状态网络的预测性能,并给出预测过程。实例分析表明,采用改进回声状态网络进行预测的效果较好。     

基于小波的GARCH模型及其在汇率中的应用

将GARCH模型和小波多分辨分析相结合,通过小波Mallat算法把RMB／HKD汇率一阶差分数据分解为若干层时间序列,然后用GARCH模型对每层的单支重构信号进行预测,综合每层的预测值得到原时间序列的预测值．实证研究表明：结合小波后的预测效果要优于传统的预测模型;且RMB／HKD汇率没有明显的杠杆效应．