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.     

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GA和LS-SVM的时间序列预测

支持向量机是在统计学习理论基础上提出的一种全新的机器学习方法。由于其出色的学习性能,该技术已经成为机器学习界的研究热点。研究了基于最小二乘支持向量机的建模方法,并用遗传算法自动获取最小二乘支持向量机的最优参数。在Matlab中ANFIS方法在输入维数大于5时就不予计算,而本建模方法则能够处理高维输入的非线性系统。并将其应用到十维Mackey-Glass混沌时间序列的预测中。结果表明,该方法具有自动获取最优参数、训练速度快、精度高、泛化能力强等优点。     

基于混沌支持向量机的径流时间序列预测研究——以渭河宝鸡林家村站径流序列为例

混沌理论和支持向量机具有强大的非线性处理能力.首先利用混沌系统相空间延迟坐标重构理论对林家村站月径流进行相空间重构,以便更为深刻地挖掘月径流序列中的信息,并运用最大Lyapunov指数法证实渭河林家村站月径流系列具有混沌特性.在此基础上利用基于统计学习理论的支持向量机建立混沌时间序列的预测模型.仿真结果表明,所提出的模型预测结果好于混沌神经网络模型的预测结果,该模型具有较高的泛化能力,可用于林家村站月径流预测.     

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.     

基于相空间重构和支持向量机的矿井涌水量预测

针对矿井涌水量典型的非线性特征,应用相空间重构与支持向量机耦合方法进行预测。将矿井涌水量的时间序列作相空间重构,并以最小嵌入维数作为支持向量机的输入节点,根据支持向量机原理建立矿井涌水量的预测模型。实例计算表明:与其他维数相比,当嵌入维数为4时,矿井涌水量的预测精度最高,说明引入最小嵌入维数是正确的。为检验该方法预测的可靠性,分别采用最小二乘法、指数函数法、相空间重构与支持向量机耦合法对实际矿井涌水量观测值进行回归预测。结果表明,非线性方法的预测效果比线性方法更佳。不同核函数预测结果证实RBF是最优的。     

时间序列分析与支持向量机的滑坡位移预测

滑坡在变形演化过程中,遭受季节性外界影响因素的作用,变形位移时间曲线呈现出阶跃型特征.采用时间序列分析方法,将位移分解为趋势项和季节项.趋势项位移由坡体自身地质条件控制,利用多项式函数进行预测|季节项位移受降雨、库水位和地下水位等因素的季节性作用而变化.选取当月降雨量、累计前2个月降雨量、当月库水位高程、月库水位变化速率和当月地下水位高程作为影响因子,利用进化支持向量机耦合模型进行预测|通过时间序列加法模型得到滑坡总位移预测值.以三峡库区白家包滑坡为例,通过计算得到预测结果与实际监测值基本吻合,其中最大均方根误差为188,而最小相关系数为098.研究表明：基于时间序列分析与进化支持向量机的滑坡位移预测模型,有效反映了阶跃型滑坡位移变化规律与季节性影响因素之间的响应关系,是一种行之有效的滑坡位移预测方法.     

基于混沌时间序列的黄土滑坡变形预测方法及应用

采用GNSS技术进行滑坡变形监测时,由于多路径等观测误差的存在,直接使用GNSS监测结果进行变形预测会影响预测结果的精度。为了探讨GNSS测量误差对变形预测结果的影响程度,考虑到滑坡系统的混沌特性,采用混沌理论对陕西泾阳地区庙店滑坡GNSS变形监测结果抑噪处理前后的时间序列进行了对比分析。首先,采用互信息量法确定监测序列的时间延迟、用改进的虚假邻近点法(Cao算法)确定嵌入维数,获取相空间重构参数; 然后使用最大Lyapunov指数对两种变形监测序列进行混沌特性识别; 最后,分别使用加权一阶局域预测方法、最大Lyapunov指数预测方法和BP神经网络预测方法对滑坡变形监测结果进行预测。结果表明:GNSS滑坡变形监测结果抑噪处理前后的时间序列满足混沌特性,说明滑坡系统具有混沌特性; 在3种混沌时间序列预测方法中,BP神经网络预测方法的效果较好,且该方法预测结果的平均绝对误差(MAE)和平均相对误差(MRE)分别为0.4 mm和11.9%,经过S-变换抑噪处理后,预测结果的平均绝对误差和平均相对误差分别为0.1 mm和4.1%,预测效果有明显改善。     

基于时间序列的相空间重构算法及验证（一）

很多非线性系统的外部特性通常只能是某个单变量的时间序列，采用延迟坐标状态空间这种相空间重构方法，对非线性系统中的单一时间序列进行分析，从中恢复出系统内部存在的非线性动力学特性，对两个关键参数的选择做了大量的理论分析研究，用某些经典的混沌系统对这些算法进行了验证，结果表明程序计算的实际值和理论值基本一致。     

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．     

基于最小二乘支持向量机的模糊时序分析方法

利用最小二乘支持向量机良好的分类和函数估计能力，提出了一种新的模糊时序分析方法。该方法包括两部分：在模糊时序处理部分通过建立启发式规则、模糊变量、论域、模糊集合和隶属度函数，完成历史数据的模糊化；最小二乘支持向量机处理部分替代传统的模糊关系计算，对模糊化的历史数据进行分析，然后去模糊化得到最后的预测结果。与多种传统模糊时序分析方法的对比试验表明，该方法充分利用了支持向量机较好的推广性能等优点，具有更高的精度和较好的泛化效果。     

混沌序列优化预测模型研究

混沌是一种普遍的非线性动力学行为,大多数情况下是有害的。针对混沌时间序列的难以预测和控制的问题,提出了基于趋势的混沌预测模型,用改进的最优化方法来估计模型的参数,在其相空间中对时序的未来值进行预测。算例表明,选取最佳的模型阶数能增加预测的准确程度,预测效果比统计方法好。     

基于最小二乘支持向量机算法的测量数据时序异常检测方法

将最小二乘支持向量机方法引入火电厂DCS的测量数据时序异常检测领域,该方法很好地建立了火电厂DCS的测量数据时序预测模型,具有预测真实值能力强、全局优化及泛化性好等优点。将该方法应用于某600 MW超临界火电机组DCS测量数据中,经过训练后的LS-SVM模型对再热蒸汽温度数据的检验样本进行不良值检测与真实值预测,均方根误差和平均相对误差分别为0.067%和0.050%,均方根误差是BP网络模型、RBF网络模型的8.756%和8.272%,平均相对误差是BP网络模型、RBF网络模型的7.541%和7.236%。应用结果表明,最小二乘支持向量机方法优于多层BP与RBF神经网络法,能很好地满足异常检测与真实值预测要求。     

基于Bayesian-LSSVM和残差修正的用户短期需水量预测

为有效改善供水管网短期需水量预测模型在预测精度和稳定性方面存在的不足,提出在短期需水量预测模型基础上叠加残差预测模型的组合预测建模方法.首先采用贝叶斯最小二乘支持向量机法(Bayesian-LSSVM)建立管网用户需水量时间序列预测模型(BL模型),得到需水量预测初始值;对BL模型得到的需水量预测初始值的残差序列,构建基于贝叶斯最小二乘支持向量机法的混沌时间序列预测模型(RM模型),得到残差预测值;同时将RM模型得到的残差预测值实时补偿到BL模型的需水量预测初始值中,得到经过残差修正的需水量预测值.实例结果表明,RM模型可以准确捕获BL模型需水量预测初始值的残差变化趋势,对其残差序列进行准确预测;在短期需水量预测的精度和稳定性方面,由BL模型和RM模型叠加构成的组合预测模型(BL+RM模型)明显优于单一BL模型;BL+RM模型适用于平均需水量较小、水量波动性较大等不同特点用户的短期需水量预测,可有效满足实际工程的需要.     

GA—LSSVM模型在粉煤灰混凝土强度预测中的应用

为了更好地预测粉煤灰混凝土强度,将遗传算法和LSSVM相结合,建立了粉煤灰混凝土强度预测的GA—LSSVM智能模型．该模型既利用了LSSVM求解速度快、易于描述非线性关系的优良特性,又利用了GA强大的全局搜索能力,克服了人工搜索的盲目性,增强了模型的适应性．计算结果表明,该模型的计算精度较好．