基于BP神经网络的混沌时间序列预测方法及应用研究

神经网络在时间序列的预测中得到广泛的应用,但神经网络模型的输入层神经元个数的选取仍然没有一个明确的解析式来表达.为解决这个问题,在非线性动力系统中,根据混沌理论重构相空间,通过最大Lyapunov指数判定时间序列是否存在混沌现象,存在则通过G-P算法计算出混沌吸引子的关联维数,进而获得相空间的嵌入维数作为神经网络的神经元个数.通过上述方法对铝现有价格进行建模,验证该方法对时间序列的短期预测有较好的精度,在此基础上,对未来一段时间铝价格进行预测.     

基于混沌时间序列的地下水位多步预测模型

利用相空间重构技术,并借助G-P算法、C-C方法和Wolf方法从宁陵地区地下水位一维时间序列中提取 Lyapunov指数,结果表明此时间序列具有混沌特征。计算了宁陵地区地下水位时间序列的关联维数、时间延迟 和最大Lyapunov指数,将局域加权一阶多步预测模型应用于地下水位预测。预测表明,此模型可有效应用于地 下水位时间序列的多步预测。     

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．     

一种改进的测井时间序列的最大Lyapunov指数求取方法

测井时间序列的解释和测井相识别是油田开发工作中的首要难题,极大地影响后续工作的成效.应用混沌理论,以相空间重构为基础,研究了油层组的混沌吸引子的特点.在此基础上,给出了一种改进的测井时间序列的最大Lyapunov指数求取方法.改进后的算法缩小了最近邻点的搜索范围,提高了运算效率.实验结果表明,不同的油层组具有不同的最大Lyapunov指数,所有油层组的最大Lyapunov指数均大于0.     

基于混沌时间序列的旋转机械状态趋势预测研究

针对旋转机械设备的非平稳运行状态,以混沌理论为基础,将最大Lyapunov指数的预测模型引入旋转机械故障趋势预示,阐述了构造预报函数f ^或F ^的两种方法,提供了混沌时间序列的最大可预测时间的计算方法,通过对大型机组实验数据的分析,证明了在最大预测时间内,该预测方法是较理想的.     

电离层电波信号衰减的混沌时间序列预测

电波信号穿过电离层传播时,由于电离层的作用将使得电波信号产生一系列的失真.分析了传统混沌时间序列预测的理论和方法,并分析了电波信号穿过电离层的时间序列特征,发现该时间序列具有混沌时间特征,进而在传统的混沌时间序列预测的基础上,给出了一种更适合于电离层电波衰减时间序列预测的方法.同时,利用它预测了一组电波信号穿过电离层的时间序列特征,并分析了其预测精度.结果表明,利用修正的混沌时间序列预测方法预测的电波信号穿过电离层衰减的时间序列,其短期的预测效果很好.     

基于Lyapunov指数的混沌预测方法及在水质预测中的应用

根据混沌原理对原水水质时间序列进行了相空间重构,利用自相关系数法、经典G-P算法和改进的最大Lyapunov指数法对新的相空间中原水水质时间序列的延迟时间τ、嵌入维数m、关联维数D和最大Lyapunov指数(λ1)进行了计算.在τ=5,m=9,D=4.489 1,λ1=0.024 2的条件下,利用基于Lyapunov指数的混沌预测方法对天津水源厂1995-2003年原水耗氧量时间序列进行了预测,预测误差低于15%.分析结果表明原水水质时间序列具有混沌特性,利用混沌原理对原水水质时间序列的短期变化进行预测是可行的,混沌理论在水质预测方面具有良好的应用前景.     

基于ELMAN神经网络的短期风速预测

为了提高风电场风速短期预测的精确性,本文提出了基于Elman神经网络的预测。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。然后利用Elman神经网络对相空间重构后的风速时间序列进行预测,预测结果表明基于Elman神经网络的预测效果满足了精度要求。本文同时运用BP神经网络进行预测。仿真结...     

月降雨量时间序列中的混沌现象

降雨是水文水资源系统的输入，研究它的演变特性，对于水文水资源系统的预报、模拟是十分重要的。以四川省6个水文站的月降雨量时间序列为例，通过混沌理论分析方法，探讨降雨系统的混沌特性。研究表明，降水系统中混沌现象是可能存在的。     

基于最大Lyapunov指数方法预测油田产量

传统的预测方法是先建立数据序列的主观模型,然后根据主观模型进行计算和预测,而混沌科学的发展使得不必事先建立主观模型,直接根据数据序列本身所计算出来的客观规律(如Lyapunov指数等)进行预测,避免预测的人为主观性.提出适用于小数据序列的方法,几乎利用了所有的数据信息,能够计算出比较精确的Lyapunov指数.结果表明:该方法可靠、计算量小、相对易操作,精度高,并能得出最大预测时间.     

基于混沌RBF网络的地下厂房围岩变形预报

引入混沌时间序列理论有效解决非线性混沌时间序列的预报问题.表征混沌特性的分维数D和最大Lya-punov指数1λ计算结果表明变形时间序列具有混沌特性;神经网络克服了模型必须是基本观测数据的线性和非线性组合的局限,具有很强的自适应性和记忆功能.结合混沌特性将一维时间序列重构为多维相空间,优化RBF神经网络结构,建立混沌时间序列神经网络预报模型.实例表明,预测值与实测值的相对误差小于6%;后期预报的变形随时间增长呈下降趋势,符合工程实际情况.     

时延Elman递归神经网络及其在PMSM的混沌控制中的应用

针对Elman递归神经网络存在的高深度、低分辨率问题,提出了一个结构简单的时延Elman递归神经网络模型。通过在Elman递归神经网络中引入多步的时延结构和反馈结构增强网络的记忆深度和分辨率。针对永磁同步电动机（PMSM）中存在的混沌运动,设计了时延Elman递归神经网络控制器和辨识器,推导出时延Elman递归神经网络的动态反传算法。运用离散型Lyapunov稳定判据,推导出此神经网络控制器和辨识器的权值自适应学习速率的取值范围,确保了控制系统的稳定性和快速收敛性。仿真结果表明,作者提出的时延Elman递归神经网络在动态系统的辨识和控制等方面具有良好的性能。     

时延Elman递归神经网络及其在PMSM的混沌控制中的应用

针对Elman递归神经网络存在的高深度、低分辨率问题,提出了一个结构简单的时延Elman递归神经网络模型。通过在Elman递归神经网络中引入多步的时延结构和反馈结构增强网络的记忆深度和分辨率。针对永磁同步电动机(PMSM)中存在的混沌运动,设计了时延Elman递归神经网络控制器和辨识器,推导出时延Elman递归神经网络的动态反传算法。运用离散型Lyapunov稳定判据,推导出此神经网络控制器和辨识器的权值自适应学习速率的取值范围,确保了控制系统的稳定性和快速收敛性。仿真结果表明,作者提出的时延Elman递归神经网络在动态系统的辨识和控制等方面具有良好的性能。     

基于迟滞神经网络的风速时间序列预测

为了改善风速时间序列的预测性能,提出了一种基于迟滞神经网络的预测方法.通过改变神经元激励函数的方式将迟滞特性引入神经网络中,以增强历史输入对当前响应的影响,从而提高有用信息的利用率,提高风速时间序列的预测性能;借助于相空间重构理论构造风速预测训练样本,采用梯度下降法对网络权值进行训练,利用遗传算法对迟滞参数进行优化.仿真结果表明:与传统神经网络及ARMA模型等方法相比,迟滞神经网络能够有效减小风速时间序列的预测误差,提高预测性能.     

竞争型径向基过程神经网络时序分类器

针对时序分类问题,提出一种竞争型径向基过程神经网络时序分类器.给出了复合竞争过程神经元单元的定义,引入复合竞争过程神经元隐层,利用竞争型径向基过程神经网络输入为时变函数的特点,由复合竞争过程神经元单元完成对过程式输入信息的模式匹配和时空聚合运算,给出了具体学习算法,省去了输出层线性连接权的计算,简化了网络结构和训练过程,提高了网络泛化能力.最后以UCI数据集多变量时序分类问题验证了分类器的有效性.     

基于小波神经网络的时间序列预报方法及应用

传统的时间序列预测模型在处理具有非线性特性或非平稳时间序列问题,特别是对有人参与的主动系统、社会经济系统的预测上,无法取得满意的预测效果.寻求处理这类系统的方法是人们一直努力的方向.这里以小波理论为基础,重点研究了小波网络在非线性时间序列中的建模预测方法,利用深圳综合指数数据,建立了股票指数预测模型.该模型克服了传统的时间序列预测模型仅局限于线性系统的情况,避免了BP神经网络模型固有的缺陷.仿真结果表明,该方法比神经网络预测方法的预测精度高,可以很好地应用于某些非线性时间序列的预测中.