基于小波神经网络的混沌时间序列预测

本文提出了一种用小波神经网络进行混沌时间序列预测的方法,并介绍了小波神经网络的基本构造和学习算法。在此基础上,通过由Logistic方程产生的混沌时间序列对该网络进行模拟实验,证明了该神经网络具有较好的预测效果。     

基于RBF神经网络的混沌时间序列预测

本文提出将径向基函数(RBF)神经网络应用于混沌时间序列的预测,设计了一个三层RBF网络结构.对于三个典型的混沌系统,在不同的噪声水平下,采用RBF网络模型分别进行了预测研究.仿真结果表明,采用RBF网络进行混沌时间序列的预测能够取得比现有其它方法更好的效果.     

基于神经网络的混沌时间序列短期预测

将神经网络理论、预测理论等引入混沌领域，采用了一种基于BP网络的预测方法，给出了该方法中神经网络的具体实现过程，经计算机仿真表明该方法是行之有效的，并给出了具体应用事例。     

基于改进的RBF网络的混沌时间序列预测

为使传统的时间序列预测适合于非线性系统的时间序列建模与预测,提出了一种改进的RBF神经网络,并采用该网络对混沌时间序列进行预测.通过实例计算,预测效果较好.     

基于改进的RBF网络的混沌时间序列预测

为使传统的时间序列预测适合于非线性系统的时间序列建模与预测 ,提出了一种改进的RBF神经网络 ,并采用该网络对混沌时间序列进行预测。通过实例计算 ,预测效果较好。     

基于动态递归神经网络模型的混沌时间序列预测

提出了一种动态递归神经网络模型进行混沌时间序列预测,以最佳延迟时间为间隔的最小嵌入维数作为递归神经网络的输入维数,并按预测相点步进动态递归的生成训练数据,利用混沌特性处理样本及优化网络结构,用递归神经网络映射混沌相空间相点演化的非线性关系,提高了预测精度和稳定性。将该模型应用于Lorenz系统数据仿真以及沪市股票综合指数预测,其结果与已有网络模型预测的结果相比较,精度有很大提高。因此,证明了该预测模型在实际混沌时间序列预测领域的有效性和实用性。     

基于混沌时间序列的软件可靠性预测方法

软件可靠性预测是当前软件研究领域的热点方向,当前软件可靠性预测方法存在误差大、建模时间长等不足,为了获得更高精度的软件可靠性预测结果,提出基于混沌时间序列的软件可靠性预测方法.首先收集软件可靠性样本,并采用混沌处理技术得到多维软件可靠性样本数据,然后将多维软件可靠性数据输入到BP神经网络进行学习,完成软件可靠性预测模型...     

基于神经网络的混沌时间序列建模及预测

该文从相空间重构理论出发,讨论了基于神经网络的混沌时间序列建模及预测方法,并以Logistic方程产生的混沌时间序列作为研究对象,采用BP和RBF两种神经网络分别对其进行了仿真分析,实验结果表明:最大Lyapunov指数越大,可预测步长越短;基于RBF网络的混沌时间序列建模及预测效果优于BP网络。     

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.     

基于小波神经网络的混沌时间序列预测

本文提出了一种用小波神经网络进行混沌时间序列预测的方法,并介绍了小波神经网络的基本构造和学习算法。在此基础上,通过由Logistic方程产生的混沌时间序列对该神经网络进行模拟实验,证明了该神经网络具有较好的预测效果。     

基于神经网络的时序预测模型研究

古人云“以史为鉴”,说的是吸取历史的经验教训,对未来的情况做出预判或者改变。生活中,亦是存在相似的利用历史数据对未来变化趋势进行预测分析的时间序列问题。本文就时间序列一类的问题进行研究,探讨如何更好地根据历史统计数据,对未来的变化趋势进行预测分析。本文基于神经网络,以气象观测历史数据作为研究的对象,建立了气温变化时序预测模型。本模型利用大数据相关技术对数据进行特征处理,通过深度神经网络,学习特征数据和标签数据之间复杂的非线性关系,从而实现对气温变化的趋势预测。实验结果表明,相较其他模型,本文的模型能够更好地进行时序预测,同时也证明了神经网络用于气象预测的可行性。     

基于QPSO-RBF NN的混沌时间序列预测

提出一种基于量子粒子群优化算法训练径向基函数神经网络进行混沌时间序列预测的新方法.在确定径向基函数网络的隐层节点数后,将相应网络的参数,包括隐层基函数中心、扩展常数,以及输出权值和偏移编码成学习算法中的粒子个体,在全局空间中搜索具有最优适应值的参数向量.实例仿真证实了该方法的有效性.     

基于SVR的混沌时间序列预测

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,由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点。这种方法已广泛用于解决分类和回归问题。论文介绍了支持向量回归算法的各种版本,同时将它们应用到混沌时间序列预测中,并且比较了它们的预测性能,为实际应用合理选择模型提供一定的依据。     

基于粒子群优化的积单元网络预测混沌序列

提出一种基于粒子群优化(PSO)的积单元神经网络(PUNN)预测混沌时间序列的方法．PUNN信息存储能力强,但是它的训练却很困难．PSO是一类基于群智能的随机全局优化技术,故该文用PSO算法训练PUNN．对Mackey-Glass混沌序列分别用PUNN和模糊神经网络方法做的单步及多步预测对比实验结果说明不仅用PSO算法训练PUNN是有效的,而且用PUNN预测混沌时间序列是一种有效的方法。     

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。     

多元混沌时间序列的因子回声状态网络预测模型

针对采用回声状态网络预测多元混沌时间序列时存在的病态解问题, 本文建立了因子回声状态网络模型, 通过因子分析(Factor analysis, FA)方法提取高维储备池状态矩阵的公因子, 去除冗余和噪声成分. 利用降维后的因子变量与期望输出之间的线性回归关系, 求解网络未知参数. 基于Lorenz序列和大连月平均气温--降雨量的仿真实验验证了本文所提模型的有效性.     

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。     

基于模糊信息粒化与混合神经网络的混沌时间序列预测

为了提高对混沌时间序列预测的精准度,提出了一种基于模糊信息粒化和注意力机制的混合神经网络预测模型。首先对数据进行归一化处理,利用模糊信息粒化对数据的复杂度进行简化;然后将经过相空间重构后的样本输入卷积神经网络(CNN)提取空间特征;再利用长短期记忆神经网络(LSTM)进一步提取时间特征;最后将融合特征传递给注意力机制提取关键特征,得出预测结果。选取Logistic、洛伦兹和太阳黑子混沌时间序列进行实验,并与CNN-LSTM-Att模型、CNN-LSTM模型、FIG-CNN模型、FIG-LSTM模型、CNN模型、LSTM模型、支持向量机(SVM)及误差逆传播(BP)模型进行对比分析。结果表明,所提的预测模型预测精度更高,误差更小。     

基于改进的SVMR的混沌时间序列预测

针对标准支持向量机处理大规模数据集会出现训练速度慢、计算量大的缺点,提出了一种基于二叉树模型的支持向量机回归方法。通过二叉树模型将大样本数据集自适应分解成若干个子集,利用支持向量机分段提出支持向量,再把这些支持向量汇合成一个训练样本集进行训练产生决策函数,并将其应用到混沌时间序列的预测。与标准算法相比,该方法在保证泛化精度一致的前提下,极大地加快了训练速度。