基于小波神经网络的混沌时间序列预测

本文提出了一种用小波神经网络进行混沌时间序列预测的方法,并介绍了小波神经网络的基本构造和学习算法。在此基础上,通过由Logistic方程产生的混沌时间序列对该神经网络进行模拟实验,证明了该神经网络具有较好的预测效果。     

基于优化遗传小波网络的混沌时间序列预测

研究利用小波神经网络(WNN)预测混沌时间序列。提出了一种改进的小波神经网络训练算法,该方法融合了遗传算法和梯度下降算法两种方法,在遗传算法中嵌入梯度下降算法以解决遗传算法不具有的细节搜索能力,对遗传算法训练后的小波网络再次利用梯度下降算法寻找最优点。对Henon映射混沌时间序列的预测证明了该方法的有效性,实验结果表明该算法能确保小波网络收敛和具有较高的预测精度。     

基于神经网络的混沌时间序列短期预测

将神经网络理论、预测理论等引入混沌领域，采用了一种基于BP网络的预测方法，给出了该方法中神经网络的具体实现过程，经计算机仿真表明该方法是行之有效的，并给出了具体应用事例。     

基于RBF神经网络的混沌时间序列预测

本文提出将径向基函数(RBF)神经网络应用于混沌时间序列的预测,设计了一个三层RBF网络结构.对于三个典型的混沌系统,在不同的噪声水平下,采用RBF网络模型分别进行了预测研究.仿真结果表明,采用RBF网络进行混沌时间序列的预测能够取得比现有其它方法更好的效果.     

基于动态递归神经网络模型的混沌时间序列预测

提出了一种动态递归神经网络模型进行混沌时间序列预测,以最佳延迟时间为间隔的最小嵌入维数作为递归神经网络的输入维数,并按预测相点步进动态递归的生成训练数据,利用混沌特性处理样本及优化网络结构,用递归神经网络映射混沌相空间相点演化的非线性关系,提高了预测精度和稳定性。将该模型应用于Lorenz系统数据仿真以及沪市股票综合指数预测,其结果与已有网络模型预测的结果相比较,精度有很大提高。因此,证明了该预测模型在实际混沌时间序列预测领域的有效性和实用性。     

基于神经网络的混沌时间序列建模及预测

该文从相空间重构理论出发,讨论了基于神经网络的混沌时间序列建模及预测方法,并以Logistic方程产生的混沌时间序列作为研究对象,采用BP和RBF两种神经网络分别对其进行了仿真分析,实验结果表明:最大Lyapunov指数越大,可预测步长越短;基于RBF网络的混沌时间序列建模及预测效果优于BP网络。     

基于小波神经网络的混沌时间序列分析与相空间重构

探讨了小波神经网络在混沌时间序列分析与相空间重构中的应用,通过混沌时间序列单步预测与多步预测的例子,比较了小波神经网络与MLP的逼近和收敛性能,对最近提出的一种多分辨率学习策略进行了改进,利用连续3次样条小和正交Daubechies小波代替Haar小波对时间序列做小波分解;用改进的学习算法训练网络并应用到混沌序列相空间重构中,实验结果表明,小波神经网络比MLP和ARMA模型具有更强大的逼近能力,因而十分适合应用于时间序列分析中;多分辨率学习算法可作为分析复杂混沌时间序列的一种重要工具。     

基于Hermite神经网络的混沌时间序列预测

针对混沌时间序列的混沌性,提出一种改进的相空间重构方法——交集寻优法;针对传统的BP神经网络、RBF神经网络及AR模型对混沌时间序列预测效率和预测精度较低的缺点,提出两种不同的Hermite神经网络预测模型。以四阶蔡氏电路为模型,结合粒子群算法建立预测模型。仿真结果表明,利用交集寻优法进行相空间重构能很好地保留原系统的动力学特性,证实了该方法的有效性;Hermite神经网络较传统的预测模型精度更高,便于基于粒子群算法的Hermite神经网络预测方法的推广和应用。     

基于改进的RBF网络的混沌时间序列预测

为使传统的时间序列预测适合于非线性系统的时间序列建模与预测,提出了一种改进的RBF神经网络,并采用该网络对混沌时间序列进行预测.通过实例计算,预测效果较好.     

基于改进的RBF网络的混沌时间序列预测

为使传统的时间序列预测适合于非线性系统的时间序列建模与预测 ,提出了一种改进的RBF神经网络 ,并采用该网络对混沌时间序列进行预测。通过实例计算 ,预测效果较好。     

基于时间序列和神经网络相结合的股票预测研究

股票市场是反映了经济运行的睛雨表,是市场经济融资的重要手段,对股票市场进行合理预测对金融市场的建设具有重要意义。时间序列预测方法体现了股价运行的长期趋势,股价短期技术调整是非线性关系,可以用神经网络分析。两者相结合的预测方法既考虑了长期行为又考虑了短期的资金行为,预测结果也更为准确。     

太阳黑子数的小波包-小波网络混沌时序预测

太阳黑子是表征太阳活动的重要现象,影响地球、人体乃至生命环境.针对影响太阳黑子的因子难以确定的问题,引入小波包和混沌相空间重构子序列揭示太阳黑子时间序列的动力学及物理规律.该方法采用小波包分解原始时间序列,用混沌相空间重构恢复影响因子,并采用小波神经网络预测子序列,再经小波包重构获得太阳黑子的最终预测结果.其中小波神经网络采用自行开发的工具箱,其具有方便、收敛速度快、数据吞吐量大、预测精度高以及实用性强等特点,对推广小波神经网络应用具有重要作用,并为太阳黑子数的预测提供了一条新途径.     

墨西哥帽小波混沌神经网络及其应用

此文用墨西哥帽小波函数和Sigmoid函数相加组成一个新函数,利用此函数作为激励函数,提出一种新型的暂态混沌神经元模型,通过实验给出该神经元的倒分叉图以及最大Lyapunov指数时间演化图,并且分析此神经元的动力学特性。基于该神经元模型,构造一种暂态神经网络,并将其应用于组合优化和预测方面,通过对经典的10城市TSP,验证墨西哥帽小波混沌神经网络在克服陷入极小点的有效性。     

基于小波神经网络的推进电机系统状态检测

本文将小波分析理论引入到相空间重构方法之中,仿真结果表明：小波相空间重构方法不但可以精确重构出原系统的混沌特征,还可以重构出原系统的周期特征、倍周期特征和拟周期特征等。在小波相空间重构的分析基础之上,建立小波神经网络来分析无刷推进电机系统的运行状态。     

变结构径向基函数网络及其在混沌序列在线预测中的应用

为了利用径向基函数(RBF)神经网络对混沌序列进行精确和快速的在线预测,提出一种在线构造变结构RBF神经网络的序贯学习算法。该算法建立实时更新的滑动数据窗口,通过学习窗口内的数据对隐节点进行增加和删除,动态确定RBF神经网络隐节点的数目及中心位置,并对隐层至输出层的连接权值进行在线调整。该算法具有调节参数少、学习速度快以及所得网络结构精简等特点。将该网络用于Mackey-Glass混沌时间序列的在线预测实验,结果验证该算法对该混沌序列具有良好的在线动态辨识和预测性能。     

基于神经网络的动态响应时间序列预测

The purpose of the research is to establish complicated nonlinear parameters time series prediction model.Considered in-fluence of friction and flexibleness,the characters of flexible mechanism are highly nonlinear.The dynamical responses of mechanism become more uncertain because of those influence.It is more difficult to control the mechanism at the real time.Via improved El-man dynamical artificial neural network,the prediction model was established to forecast kinetic parameters.A flexible mechanism example was applied to test this method.The results proved that the calculate speed of the model was fast and the precision was high.The method provided an available way on controlling at the real time for complicated large systems.     

基于小波神经网络的流量混沌时间序列预测

在Takens提出的相空间重构模型基础上,应用小波变换对其进行改进,充分考虑噪声对重构结果的影响。将小波神经网络混沌时间序列预测方法引入网络流量预测中,介绍小波神经网络的基本构造和学习方法。实验表明,与RBF神经预测方法相比,小波神经网络预测方法的逼近效果更好、误差更小。     

基于小波神经网络的电网负荷预测

为提高负荷预测的精度及反映天气因素对负荷的影响.选用小波理论中的Malht算法进行多尺度分析.应用新疆塔北电网近年的负荷数据和气象资料进行了预测,预测结果表明其具有较好的性能.     

混沌神经网络在求解优化问题中的应用

本文运用GCM混沌神经网络对Hopfield神经网络在求解优化方面的问题进行了改进。通过混沌遍历,可使Hopfield网络在整个相空间进行搜索,从而避免网络在运行过程中陷入局部极小值。通过对一个对弈的实例进行实验,结果显示Hopfield网络的寻优特性获得了较大改进。