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.     

OFDM信道非线性预测算法

为了提高OFDM系统的传输效率和提前获取移动信道信息,提出了一种新的非线性信道预测算法.首先利用重构嵌入相空间理论将支持向量机和非线性动力学理论联系起来,解决了训练数据的维数确定问题,为研究支持向量机提供了新的理论途径.在此基础上采用递归最小二乘支持向量机在高维空间中解决导频点的预测问题,最后在频域进行插值操作以估计其他频点处的信道参数.仿真结果表明,与传统的信道估计算法相比,在增加较小误码率的条件下,减少了导频个数,提高了系统的传输效率并提前获取了信道信息,为自适应技术的实施提供了重要的信息.     

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。     

矿井涌水量的中长期混沌预测

针对目前采煤矿井涌水量预测模型误差较大的问题,利用混沌理论对矿井涌水量进行混沌特征辨识,在此基础上,建立矿井涌水量中长期混沌预测模型。以平煤十二矿为例,对矿井涌水量序列(时间尺度为月)进行分析,其中最大Lyapunov指数为0.161 1,大于0,说明该序列具有混沌特征。计算了时间延迟(τ=12月)和嵌入维数(m=9),对涌水量序列进行相空间重构,建立了矿井涌水量中长期混沌预测模型(预测周期为6个月)。与实测结果对比,模型的预测精度达到了99.37%。该预测模型为矿山多季度安全生产计划的制定及水害防治提供了科学依据。     

基于动力子空间的信号迭代降噪方法

重构相空间是通过修正动力轨道来降噪的前提和基础。针对传统相空间重构方法在实际应用中嵌入维数和嵌入延迟难于准确、客观估计的问题，采用模型最小描述长度准则确定最佳的嵌入窗口，据此重构相空间并采用动力子空间法进行迭代降噪计算。数值仿真试验证明该方法在有限长非线性信号降噪处理中是有效的，特别在信噪比较低时，信噪比增益可达到10dB左右。     

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KPCA-LSSVM的公路软基路堤沉降预测

针对公路软基路堤沉降发生过程中多变量、强耦合、强干扰、大滞后的复杂特性,利用KPCA先将非线性数据投影到高维空间使其映射呈线性关系,应用PCA提取出映射数据的线性特征信息,间接实现去除原始数据噪声,以降低样本的维数,然后再利用最小二乘支持向量机进行建模的方法对软基路堤沉降进行预测。仿真结果表明：与最小二乘支持向量机及主元分析—最小二乘支持向量机建模方法相比,该核主元分析与最小二乘支持向量机结合的方法能够更准确地预测路堤沉降,且满足精确性和适用性的要求。     

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.     

非线性时间序列相空间重构参数选取方法研究

基于非线性时间序列相空间重构的延迟时间和嵌入维数这两个参数的选取互不相关的观点,提出用互信息法确定时间延迟,用伪邻近点法和平均伪邻近点法相结合的方法确定嵌入维数的新思路。通过对几种典型的混沌动力学系统的数值验证,表明该方案能够确定出相空间重构的有效延迟时间和最佳嵌入维数,能够从时间序列中有效地重构原系统的相空间。     

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.