混沌时间序列的一种多步预测滤波器

采用后向重构状态失量的方式，利用某点与邻近点具有相关性，提出了一种多步预测算法。仿真结果说明，利用这种方法能够对某些混沌时间序列进行多步预测，具有较好的预测效果。     

混沌时间序列局域偏最小二乘回归多步预测模型

针对混沌序列局域一阶多步预测问题,提出了基于偏最小二乘回归的混沌时间序列局域直接多步预测模型,偏最小二乘用于混沌时序重构相空间中演化轨迹前后相点信息间的建模。该模型克服了以往一阶局域单步预测模型进行多步预测时存在的误差累积,而且能抑制重构相空间中多重共线性的影响,提高了预测精度。试验中使用交叉验证方法将偏最小二乘的提取成分数。通过对Chen’s混沌序列和Mackey-Glass混沌序列的多步预测试验,验证了该模型在混沌时序预测方面具有很好的效果。     

粒子滤波优化的相关向量回归多步预测方法

为有效削弱多步回归预测中的累积误差,提出粒子滤波优化的相关向量回归多步预测方法。采用相关向量机建立预测对象的状态特征参数回归预测模型。将回归模型作为系统状态方程,预测输出的概率分布作为重要性分布,采用粒子滤波算法对预测值进行动态修正,逼近状态的最优估计。对比实验验证了该方法的预测精度相比相关向量回归多步预测有较大的提高。     

基于混沌时间序列的短期电力负荷预测

针对电力系统负荷的复杂性及非线性,提出了结合混沌的思想,充分利用数据信息,在重构相空间的基础上对负荷进行预测.结合混沌理论,采用加权一阶局域法建立了电力负荷预测模型,并进行了实际预测,取得了满意的结果.     

有缺损数据的混沌时间序列预测

根据一种基于相空间邻点的非线性自适应滤波算法，研究了缺损数据怎样影响预测。仿真显示，缺损数据对预测有不同程度的影响，文中提出的解决方法是有效的。     

混沌时间序列预测的改进型加权一阶局域法

提出了一种用于混沌时间序列预测的改进型加权一阶局域法.用衰减系数对分维指数加权一阶局域法的向量距离公式进行修正,调节邻近点与中心点的相关性,也调节了同一邻近点的各个分量和中心点的最后一个分量的关联程度.利用该方法对Logistic混沌时间序列进行预测的结果表明,衰减系数取最佳值时,相对于现有算法,该方法可以更精确地预测...     

基于粒子滤波的高频金融时间序列预测

高频金融时间序列呈现出强烈的非高斯特性,已经不能采用传统的统计分析方法对其进行分析与预测,通常采用基于极限思想的已实现波动理论进行高频数据的建模.针对市场运作中的高频数据采集数量有限而不能准确估计"已实现"波动率的局限性,提出一种新的预测方法:在对"已实现"波动率建模的基础上,采用适合于非高斯非线性过程的粒子滤波技术对波动率进行估计与预测,可以处理单日内的高频交易数据.将此算法应用于日内高频微软股价数据预测,得到了较好的实证效果.     

基于混沌时间序列的电力月负荷预测

采用一种基于混沌时间序列的负荷预测方法进行月用电量的预测。这种方法可以不考虑气候等因素，仅利用电力负荷的历史数据计算来进行预测，就可以得到较高的预测精度。     

基于时间序列自适应建模的粒子滤波动态目标跟踪

在目标跟踪中为达到目标的运行模型与实际轨迹相符,本文提出基于时间序列自适应建模的粒子滤波算法（TS_PF）。采用时间序列方法动态构建预测模型,并将粒子滤波算法中一系列加权粒子以该模型进行状态转移,运用粒子滤波重采样技术,使预测误差进一步减小,预测精度逼近最优估计。仿真实验表明在粒子滤波算法中采用时间序列自适应建模,能够...     

基于神经网络的联合混沌时间序列的预测研究

提出了利用前馈神经网络预测联合混沌序列,通过引用著名的Henon和Lozi混沌系统作为仿真实验产生联合混沌信号序列。预测结果证明,用改进的BP算法训练的NN可以完全预测联合混沌信号序列。     

Particle filtering based autoregressive channel prediction model

A particle filtering based AutoRegressive (AR) channel prediction model is presented for cognitive radio systems. Firstly, this paper introduces the particle filtering and the system model. Secondly, the AR model of order p is used to approximate the flat Rayleigh fading channels; its stability is discussed, and an algorithm for solving the AR model parameters is also given. Finally, an AR channel prediction model based on particle filtering and second-order AR model is presented. Simulation results show that the performance of the proposed AR channel prediction model based on particle filtering is better than that of Kalman filtering.     

软件失效时序数据的灰色拟合及多步预测算法

对于软件系统的可靠性模型而言,其主要功能就是要求能准确地预测出后续的软件失效的发生时间,研究了软件失效时序数据的灰色拟合问题,并提出了相应的多步预测改进算法.首先,基于某一拟合精度的条件下,应用灰色理论的GM(1,1)模型为软件失效时序数据建立相应的分段拟合模型;然后,以正交多项式函数估算出末段子序列的拟合残差,并用该估计值对末段子序列的灰色预测模型进行修正和补偿;最后,基于补偿后的组合预测模型对软件失效的发生时间进行多步预测.实验验证了算法的正确性和有效性.     

用于低维混沌时间序列预测的一种非线性自适应预测滤波器

在二阶Volterra滤波器基础上,提出了一种用于低维混沌时间自适应预测的非线性自适应预测器。基于最小均方误差准则导出了一种NLMS类型的自适应算法来实时调整这种非线性滤波预测器的系数,仿真实验结果表明：这种线性化的非线性自适应滤波预测器能够有效地预测低维混时间序列,且它的模块化特征更易于VLSI电路实现,具有广泛的工程应用价值。     

Gaussian process modeling and multi-step prediction for time series data in wireless sensor network environmental monitoring

For time series data collected from WSN environmental monitoring applications,a novel multi-step prediction method based on Gaussian process model was proposed.The method could make prediction for future environmental monitoring data.Kernel functions were used to describe data properties in the Gaussian process model.Kernel functions for environmental monitoring data were constructed through the EMD(empirical mode decomposition)technique and analysis of data inherent physical properties.And the constructed kernel functions were capable of describing the data change mode.Extensive experiments for multi-step prediction performance comparison test were performed on three kinds of data sets using over 20 000 environmental monitoring data records.Experimental results show that the average prediction accuracy of the Gaussian process multi-step prediction method can be increased by 20% than compared prediction methods.The prediction method can be applied to future environmental parameters trend analysis,early warning for abnormal environmental events and other scenes.     

基于混沌时间序列的BP神经网络电力负荷预测

在混沌时间序列的基础上,应用BP神经网络对电力负荷进行了预测,并对模型特性进行了分析。理论分析和实例计算均表明该预测模型的精确度较高,适合在电力负荷预报中推广应用。     

基于小波时间序列分析的电子银行风险预测

根据电子银行风险数据具有时间序列的特点,又根据小波变换分解时间序列的原理和优点,给出了利用小波变换预测电子银行风险的模型和算法,并通过实例验证了模型和算法的有效性和优越性。     

一种新颖的混沌时间序列分析方法

本文提出了一种新颖的混沌时间序列分析方法,即从被加性高斯白噪声污染的混沌时间序列中估计其系统参数并同时进行噪声抑制的方法。假定产生混沌时间序列的模型已知,但相应的参数未知。这种新方法把对混沌时间序列的参数估计和噪声抑制看作是一种最小化过程,并利用了最速梯度下降方法解决。数值模拟实验表明新方法要优于现有的方法,是估计混沌系统系数和噪声抑制的一种有效的方法。     

Privacy level evaluation of differential privacy for time series based on filtering theory

The current differential privacy preserving methods on correlated time series were not designed by protecting against a specific attack model,and the privacy level of them couldn’t be measured.Therefore,an attack model was put forward to solve the above problems.Since the noise series added by these methods was independent and identically distributed,and the time series could be seen as a short-time stationary process,a linear filter was designed based on filtering theory,in order to filter out the noise series.Experimental results show that the proposed attack model is valid,and can work as a unified measurement for these methods.     

混沌时间序列预测方法

针对混沌时间序列预测问题,深入分析了基于径向基神经网络与基于记忆库两种预测方法,进而应用两种方法分别对Logistic序列、Kent序列进行预测,仿真结果表明:输入节点个数严重影响RBF神经网络预测性能,样本容量的增大与预测精度提高只是在一定范围内呈正比;选取系统的关联维数作为预测阶数时,基于记忆库预测方法的平均预测误差较小,且其预测误差随样本容量的增多而减小.