宝鸡市径流演变特性分析

针对宝鸡市渭河干流林家村站、渭河北岸支流千河千阳站和南岸支流清姜河益门镇站天然径流序列,采用Kendall秩次相关检验、Spearman秩次相关检验分析了其演变趋势性,用R/S法计算了各自的Hurst指数以分析其演变持续性,分析表明三条河流年径流量均存在较为显著的持续下降趋势;通过月径流序列的相空间重构,估算了能够表征水文系统混沌特性的定量指标即月径流序列的饱和关联维数D2和最大Lyapunov指数1λ,计算结果表明三条河流径流系统均存在混沌特性.     

河川日径流预报的混沌神经网络模型

将混沌理论和神经网络相结合,建立了径流预报的混沌神经网络模型.利用混沌理论的相空间重构技术计算饱和嵌入维数,将其作为神经网络的输入层神经元个数;根据模型预测步长确定输出层神经元个数.对黄河干流三门峡站的日流量时间序列进行了模拟和预报,取到了较好的预报效果,为河川径流的预报工作提供了新方法.     

基于相空间重构的LS-SVM股票价格预测

提出一种基于相空间重构的最小二乘支持向量机（LS-SVM）的股票价格预测方法。采用混沌时间序列对股票价格数据进行相空间重构,应用贝叶斯框架对最小二乘支持向量机的参数选优。预测结果表明,该模型具有误差小、拟合程度高等优点,可适用于股票价格预测。     

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LS-SVR的混沌时间序列多参数自适应预测

故障预测对保障复杂设备的安全可靠工作具有重要意义,但往往难以建立起准确的解析形式的数学模型,因此常常依赖于通过观测所获得的混沌时间序列进行预测分析.为了提高预测的有效性和准确性,基于支持向量机预测理论,提出考虑全部相关多参数混沌时间序列中的信息,进行多参数相空间重构产生训练样本,并建立了多参数自适应最小二乘支持向量回归预测模型.以某设备三个相关参数的仿真混沌时间序列为例进行了预测实验,结果表明该方法有较好的预测精度,是一种有效的预测方法.     

A Chaotic ANNs Model for Rivers Daily Runoff Forecast

将混沌理论和神经网络相结合,建立了径流预报的混沌神经网络模型.利用混沌理论的相空间重构技术计算饱和嵌入维数,将其作为神经网络的输入层神经元个数;根据模型预测步长确定输出层神经元个数.对黄河干流三门峡站的日流量时间序列进行了模拟和预报,取到了较好的预报效果,为河川径流的预报工作提供了新方法.     

基于混沌时间序列的煤矿瓦斯浓度短期预测

利用混沌时间序列短期可以预测的特点,构建煤矿瓦斯浓度预测模型．根据Takens理论,重构煤矿瓦斯浓度相空间,分别采用伪近邻法确定相空间的嵌入维数m,最小互信息法确定相空间时延r．然后在重构相空间中,运用加权一阶局域法构建煤矿瓦斯浓度的预测模型．结果表明：混沌特性指数λ=0．35684的瓦斯浓度时间序列具有混沌特性,可以在最佳嵌入维数m=6,时间延迟r=6的情况下进行预测,得到的模型均方差为0．3188,预测结果与实际情况符合较好,表明应用混沌理论进行煤矿瓦斯浓度预测是可行的．     

基于相空间重构和最小二乘支持向量机的滑坡预测

针对滑坡位移时间序列的非线性特性,引入基于相空间重构和最小二乘支持向量机（LSSVM）的预测法.利用Cao氏方法确定嵌入维数,根据互信息法计算最佳延迟时间;然后在相空间中,利用最小二乘支持向量机（LSSVM）建立预测模型.试验结果表明,模型具有较高的精度,是科学可行的.     

基于混沌时间序列的Elman神经网络工业用电预测

针对电力负荷数据在多重因素相互影响下呈现非线性特性甚至是混沌性的问题,采用基于相空间重构的Elman神经网络方法进行全社会工业月用电量预测.利用小数据量法计算最大Lyapunov指数,判别负荷时间序列的混沌性,进而确定最优延迟时间及最佳嵌入维数进行相空间重构,以此确定Elman神经网络的拓扑结构,并将实测数据带入模型进行训练.通过对实测数据进行预测仿真,表明该模型达到了较好的预测效果,验证了提出的时间序列相空间重构与Elman神经网络结合的正确性与有效性.     

老采空区地表沉陷混沌特征及时变规律研究

基于老采空区上方地表实际监测沉降数据,提出了利用混沌理论相空间重构及预测技术研究老采空区地表沉陷特征及时变规律的新思路.研究了沉陷系统的相空间重构、关联维数的确定、Lyapunov指数的计算和预测模型的构建及应用等问题.采用最大Lyapunov指数法及混沌最小二乘支持向量机法对老采空区地表沉陷量进行了建模和预测.结果表明:该沉陷系统是一个混沌系统,沉陷影响因素有3～6个,变形理论最大预测期数为18期.构建的混沌预测模型预测结果相对误差均控制在10%以内,预测精度良好,可为老采空区废弃土地再利用决策提供支持.     

模糊支持向量机在径流预测中的应用

在分析现有径流预测模型局限性的基础上,考虑径流量随时间变化的不确定因素,建立了基于模糊支持向量机的径流预测模型,使得较近时间的径流数据与较远时间的径流数据相比,对预测精度的提高影响更大.将该模型应用于新疆伊犁河雅马渡站年径流预测中,与传统的支持向量机预测模型比较表明,模糊支持向量机预测精度有较大的提高,并能进一步在其他流域径流预测中推广应用.     

基于混沌时间序列分析的股票价格预测

根据股票市场是非线性动力系统的假设,利用混沌理论对混沌时间序列的分析方法,提出了股票价格预测方法。同时利用重构相空间的嵌入维数和延迟时间分别确定经向基函数模型网络的结构和训练样本对,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,并与前馈神经网络模型相比,可得到较好的预测结果,因而在股票时间序列预测中有广泛的实用价值。     

基于相空间重构的降雨时间序列降噪及预测研究

为解决降雨混沌时序预测精度较低的问题,基于相空间重构思想,引入改进的局部投影算法进行降雨时序的降噪;采用定性和定量的混沌特性判定方法,指出降雨时序具有明显的混沌特性.并在此基础上构建了基于最小二乘支持向量机的降噪、预测一体化模型并进行了多步预测实验.实验结果表明:降噪前后预测精度相差很大,表明噪声是造成混沌预测方法预测精度较低的主要原因.最后通过与其他预测方法比较,验证了所建立的混沌预测模型预测精度高、误差较小,可用于工程实际.     

基于混沌时间序列及神经网络的大同电网负荷短期预测研究

精确的负荷预测对电力定价、实时负荷调整起着十分重要的作用.提出利用径向基函数神经网络模型,通过采用混沌时间序列的方法,对大同地区的全网用电负荷数据进行了短期预测验证.通过数据预处理产生混沌序列,进而通过相空间参数完成了相空间重构.最后通过RBF网络预测得到了相应的预测值,并与实际值进行了对比.结果表明:得到的预测结果与实际结果几乎重合,证明了该方法的高度预测能力与适应能力.     

径流预报的混沌神经网络理论及应用

文章针对河川径流非线性动力学混沌过程,介绍了径流的混沌识别,径流重构相空间技术及径流序列的混沌预报方法,在此基础上,以葛洲坝水库为例,对其日径流进行了预报,获取得了满意的结果。     

降雨时间序列降噪及预测系统建模研究靠

以解决降雨混沌时序预测精度较低的问题为目的,基于相空间重构思想,应用混沌降雨时序奇异值分解技术对混沌时序的噪声进行了剥离。采用定性和定量的混沌特性判定方法,计算指出降雨时序具有明显的混沌特性。在此基础上构建了基于最小二乘支持向量机的降噪、预测一体化模型并进行了多步预测实验。结果表明降噪前后预测精度相差很大,证实了噪声是造成混沌预测方法预测精度较低的主要原因。通过与其他预测方法比较,验证了所建立的混沌预测模型能够捕捉到原混沌系统的动力学特征,预测误差较小,泛化能力较强,其预测效果较好。     

降雨时间序列降噪及预测系统建模研究

以解决降雨混沌时序预测精度较低的问题为目的，基于相空间重构思想，应用混沌降雨时序奇异值分解技术对混沌时序的噪声进行了剥离。采用定性和定量的混沌特性判定方法，计算指出降雨时序具有明显的混沌特性。在此基础上构建了基于最小二乘支持向量机的降噪、预测一体化模型并进行了多步预测实验。结果表明降噪前后预测精度相差很大，证实了噪声是造成混沌预测方法预测精度较低的主要原因。通过与其他预测方法比较，验证了所建立的混沌预测模型能够捕捉到原混沌系统的动力学特征，预测误差较小，泛化能力较强，其预测效果较好。     

基于相空间重构的支持向量回归机在振动数据预测中的应用

支持向量回归机是近年来发展起来的一种通用的机器学习方法,后来被广泛应用于预测领域。在对模型进行训练时,输入特征在很大程度上影响了预测的精度。所以对于特征的选择一直是人们所关注的问题。提出了一种基于相空间重构的支持向量回归机方法。该方法首先对时间序列进行相空间重构,然后利用重构的相空间中的相点作为特征输入,对模型进行训练。经实验验证,该方法能够根据时间序列内在规律,自适应的构造输入特征,提高预测结果的精度。     

混沌理论和快速BP神经网络在边际电价预测中的应用

以电价时间序列和负荷时间序列的混沌特性为基础,利用多变量混沌时间序列的相空间重构理论并结合人工神经网络的非线性映射能力建立数学模型,对我国川渝电网的边际电价进行预测,并对预测结果进行分析,取得了满意的结果.     

基于小波分解的优化支持向量机模型在水库年径流预测中的应用

为提高水库中长期径流预测的精度和可靠性,更好地发挥水资源综合利用的效益,提出了结合小波分解预处理的支持向量机预测模型(SVM-WDP)。该模型将包含复杂信息和随机噪声的径流过程分解为不同频率、不同特征的子序列,再分别针对各子序列运用PSO参数优化支持向量机模型进行预测,最后将子序列预测结果重组为最终预测径流。以淮河流域梅山水库1959—2014年径流过程为研究对象进行预测,结果表明:SVM-WDP模型所得结果的合格率为85%,达到水文预报甲等标准;与单独使用支持向量机模型相比,SVM-WDP模型拟合阶段RMSD由14.98降低至7.76,预测阶段RMSD由6.85降低至5.54,模型的预测性能均大幅度提高。该模型为中长期年径流预测提供了有效的方法和思路。