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。     

海杂波背景下的小信号检测

利用海杂波信号为混沌这一先验知识,将判决反馈RBF神经网络应用于海杂波信号的建模与预测中,设计了一个三层判决反馈RBF神经网络结构。实验结果表明,判决反馈RBF网络模型对混沌时间序列有很好的拟合能力,对比典型RBF网络结构,该方法具有较好的检测效果。     

基于混沌理论的网络数据流RBF神经网络预测

应用相空间重构理论，研究了网络数据流的混沌特性，计算了实际网络数据流的关维数、Lyapunov指数，证实网络数据流存在混沌现象；据此建立了基于径向基函数(RBF)预测模型，对实际网络数据流进行预测。仿真实验表明，相对于反向传播(BP)神经网络预测，基于混沌理论的RBF神经网络预测方法学习速度快，预测精度高。     

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.     

遗传算法优化BP 神经网络的短时交通流混沌预测

为了提高BP神经网络预测模型对混沌时间序列的预测准确性,提出了一种基于遗传算法优化BP神经网络的改进混沌时间序列预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到几个典型混沌时间序列和实测短时交通流时间序列进行有效性验证.仿真结果表明,该方法对典型混沌时间序列和短时交通流具有较好的非线性拟合能力和更高的预测准确性.     

海杂波背景下的小信号检测

利用海杂波信号为混沌这一先验知识,将判决反馈RBF神经网络应用于海杂波信号的建模与预测中,设计了一个三层判决反馈RBF神经网络结构.实验结果表明,判决反馈RBF网络模型对混沌时间序列有很好的拟合能力,对比典型RBF网络结构,该方法具有较好的检测效果.     

基于核方法的移动机器人远程控制时延预测与分析

构建了基于Internet的移动机器人控制平台,针对该平台中网络时延的非线性特性,提出了利用线性核和RBF核方法对网络时延序列样本进行回归建模和预测。比较了核方法、BP神经网络和RBF神经网络算法预测误差,表明在移动机器人远程控制中,核方法对网络时延序列预测具有更好的函数逼近能力和较高的预测精度,从而可根据预测时延调节移动机器人控制指令和状态信息的网络传输,保证系统的可靠性,提高移动机器人的控制性能。     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

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。     

Support vector machine with adaptive parameters in financial time series forecasting

A novel type of learning machine called support vector machine (SVM) has been receiving increasing interest in areas ranging from its original application in pattern recognition to other applications such as regression estimation due to its remarkable generalization performance. This paper deals with the application of SVM in financial time series forecasting. The feasibility of applying SVM in financial forecasting is first examined by comparing it with the multilayer back-propagation (BP) neural network and the regularized radial basis function (RBF) neural network. The variability in performance of SVM with respect to the free parameters is investigated experimentally. Adaptive parameters are then proposed by incorporating the nonstationarity of financial time series into SVM. Five real futures contracts collated from the Chicago Mercantile Market are used as the data sets. The simulation shows that among the three methods, SVM outperforms the BP neural network in financial forecasting, and there are comparable generalization performance between SVM and the regularized RBF neural network. Furthermore, the free parameters of SVM have a great effect on the generalization performance. SVM with adaptive parameters can both achieve higher generalization performance and use fewer support vectors than the standard SVM in financial forecasting.     

Training algorithm for radial basis function neural network based on quantum-behaved particle swarm optimization

Radial basis function (RBF) networks are widely applied in function approximation, system identification, chaotic time series forecasting, etc. To use a RBF network, a training algorithm is absolutely necessary for determining the network parameters. The existing training algorithms, such as orthogonal least squares (OLS) algorithm, clustering and gradient descent algorithm, have their own shortcomings respectively. In this paper, we propose a training algorithm based on a novel population-based evolutionary technique, quantum-behaved particle swarm optimization (QPSO), to train RBF neural network. The proposed QPSO-trained RBF network was tested on non-linear system identification problem and chaotic time series forecasting problem, and the results show that it can identify the system and forecast the chaotic time series more quickly and precisely than that trained by the particle swarm algorithm.     

基于遗传算法优化支持向量机的网络流量预测

介绍了支持向量机用于时间序列预测的理论基础和遗传算法优化支持向量机参数的方法,首次把遗传算法优化参数支持向量机应用于两组实际网络流量的预测,并与BP神经网络和RBF神经网络方法进行了比较.结果表明:支持向量机相比较BP神经网络和RBF神经网络对网络流量的预测结果精度更高、性能更好.利用支持向量机预测网络流量是一种可行、有效的方法.     

二阶微粒群优化神经网络的混沌系统辨识方法

针对BP神经网络在学习算法中的不足,将BP神经网络的权值和阀值训练问题转换为优化问题,提出一种利用二阶微粒群算法优化的神经网络的算法。其次,运用基于二阶微粒群算法训练的神经网络模型对混沌系统进行辨识,并与传统的BP神经网络、RBF网络对同一混沌系统辨识的结果进行比较。实验表明,利用二阶微粒群优化算法训练神经网络进行混沌系统辨识,辨识的效果优于其它几种神经网络模型,可有效用于混沌系统的辨识。     

基于COBP模型的城市短期需水量预测研究

针对城市需水量预测中时间序列的非线性特性及传统BP网络预测收敛速度慢易陷入局部极小值等问题,将Chaos理论和BP神经网络理论相结合,提出了一种基于Chaos-BP理论的城市短期需水量COBP(ChaosBackPropagtion)预测模型。利用重构相空间的嵌入维数确定COBP网络的结构,通过混沌优化搜索,找到BP神经网络权值的全局最优值,并对其输出的“尖点”预测值进行混沌参数控制,实现城市短期需水量的预测。仿真分析表明,与传统预测模型相比,COBP预测模型所需训练数据样本少,收敛速度快、易达到全局最小值,预测结果整体误差的指标良好,呈现良好的综合预测性能。     

基于差分进化的BP神经网络预测混沌时间序列

针对BP神经网络预测模型收敛速度慢和容易陷入局部极小值的缺点,将差分进化算法和神经网络结合起来,提出了一种基于差分进化算法的BP神经网络预测混沌时间序列的方法,利用差分进化算法的全局寻优能力对BP神经网络的权值和阈值进行优化,然后训练BP神经网络预测模型求得最优解,将该预测方法用到3个典型的混沌时间序列进行算法的有效性验证,并与BP算法的预测精度进行了比较,仿真结果表明该方法对混沌时间序列预测具有更好的非线性拟合能力和更高的预测准确性。     

A forecasting system for car fuel consumption using a radial basis function neural network

A predictive system for car fuel consumption using a radial basis function (RBF) neural network is proposed in this paper. The proposed work consists of three parts: information acquisition, fuel consumption forecasting algorithm and performance evaluation. Although there are many factors affecting the fuel consumption of a car in a practical drive procedure, in the present system the relevant factors for fuel consumption are simply decided as make of car, engine style, weight of car, vehicle type and transmission system type which are used as input information for the neural network training and fuel consumption forecasting procedure. In fuel consumption forecasting, to verify the effect of the proposed RBF neural network predictive system, an artificial neural network with a back-propagation (BP) neural network is compared with an RBF neural network for car fuel consumption prediction. The prediction results demonstrated the proposed system using the neural network is effective and the performance is satisfactory in terms of fuel consumption prediction.