结合混沌预测的改进的OGY 控制方法

提出一种结合混沌预测的改进的OGY方法，首先对OGY方法进行了改进，使其可以稳定一个混沌系统到不同的目标点，然后利用混沌的相空间预测算法，得到系统的状态估计值，进而得到控制量，使混沌系统能较快地进入其控制区间。与通常的混沌控制方法相比，该方法大大加快了混沌系统的稳定过程，仿真结果表明，该方法是有效的。     

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。     

微熵率重构相空间混沌时序预测研究

目前对混沌时间序列的预测研究大多建立在相空间重构基础之上.然而在重构相空间时,需要选取两个参数即延迟时间与嵌入维数,引入微熵率最小的原则选取这两个参数.在重构相空间后,利用LS-SVR对混沌时间序列进行预测研究.并在MATLAB200b环境下建立混沌时间序列的预测模型.利用Mackey-Glass混沌时间序列与工作面瓦斯涌出量混沌时间序列数据对算法进行验证.结果表明,在熵率最小的原则下确定的嵌入维数与延迟时间其几何意义明确,通过编程实现简单明了.而在此基础上重构的相空间中,利用LS-SVR预测模型的预测效果较好,而对实际现场瓦斯突出在短期内的预测,也得到了较高的精度.     

基于混沌理论网络攻击频率预测研究

研究入侵网络攻击准确预测问题.网络攻击频率是进行网络入侵检测的一个重要特征,网络攻击频率具有随机性、混沌性和不连续性等特性,传统预测方法不能对随机的攻击频率数据进行有效地分析测试,导致预测精度低.为了提高网络攻击预测精度,提出一种根据混沌理论的网络攻击频率预测模型.首先对网络攻击频率进行相空间重构,然后将重构后的数据输入神经网络中学习并预测,获得网络攻击频率的预测结果.结果表明,解决了传统预测方法不能很好测试网络攻击频率数据特征的难题,提高网络攻击频率预测精度,对降低网络系统的安全风险具有重要参考价值.     

基于支持向量机的混沌时间序列预测分析

混沌的特性决定了混沌系统很难长期预测,支持向量机有强大的学习能力,根据相空间重构理论用支持向量机建立预测模型对混沌时间序列进行短期预测。预测输出构建混沌吸引子来定性评价预测模型性能,同时与BP神经网络RBF神经网络构建的预测模型比较,计算预测模型的均方根误差定量地评价模型的性能。仿真结果表明,该方法具有较高的预测精度和泛化能力。     

基于混沌理论的网络流量BP神经网络预测

应用相空间重构技术,论证了网络流量存在混沌现象,并计算了实际网络流量的关联维,Lyapunov指数;在此基础上对网络流量时间序列建立BP神经网络模型对网络流量进行预测,实例表明,和FARIMA(p,d,q)模型相比,基于混沌理论的BP神经网络模型有较好的预测能力,并具有较长的预测步长。     

基于贝叶斯网络的混沌时间序列预测

混沌时间序列预测是混沌理论的一个重要方向和研究热点,在气象、水力、经济和通信等各个领域有着广泛的应用。然而,由于混沌时间序列高度复杂的非线性特征,很难从理论上定量研究。利用贝叶斯网络（BNs）在处理不确定知识方面的优势,并结合相空间重构理论,建立了混沌时间序列非线性全局预测模型,实现对其动力学特性分析,从而达到预测目的。实验结果表明：模型具有良好的稳定性和预测能力,并能够有效地克服过拟合现象。     

Gaussian小波SVM及其混沌时间序列预测

为了提高混沌时间序列的预测精度,针对小波有利于信号细微特征提取的优点,结合小波技术和SVM的核函数方法,提出基于Gaussian小波SVM的混沌时间序列预测模型。证明了偶数阶Gaussian小波函数满足SVM平移不变核条件,并构建相应的Gaussian小波SVM。对混沌时间序列进行相空间重构,将重构相空间中的向量作为SVM的输入参量。用Gaussian小波SVM与常用的径向基SVM及Morlet小泼SVM进行对比实验,通过对Chen’s混沌时间序列和负荷混沌时间序列的预测,结果表明,Gaussian小波SVM的效果比其他两种SVM更好。     

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。     

混沌时间序列的Volterra级数多步预测研究

针对混沌时间序列在多步预测中自适应预测方法的预测器系数无法调节的问题,根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点,并基于混沌序列产生的确定性和非线性机制、混沌动力系统相空间延迟坐标的重构及二阶Volterra自适应滤波模型,给出了一种混沌时间序列的Volterra级数多步预测方法.在多步预测中,根据已知的样本得到对将来值的预测.仿真结果表明,能够对混沌时间序列进行多步预测,具有较好的预测效果.     

基于混沌的交通流量Volterra自适应预测模型*

采用基于混沌动力系统的相空间重构和非线性系统的Volterra级数展开式,构建了交通流量的Volterra自适应预测模型。其基本思想是首先采用Lyapunov指数判定交通流时间序列存在混沌的前提下,对该时间序列进行相空间重构;然后选择Volterra级数构造非线性预测模型,并采用LMS类型的自适应算法来实时调整模型的系数。应用该模型对Lorenz、Rossler和交通流时间序列进行仿真研究。结果表明,提出的Volterra自适应预测模型能有效地预测低维混沌时间序列和交通流时间序列。     

混沌时间序列预测模型的比较研究

针对目前混沌时间序列预测模型预测结果差异较大的问题,归纳了4种混沌时间序列预测模型：BRF神经网络模型、最大Lyapunov指数模型、局域线性模型和Volterra滤波器自适应预测模型,并对这4种预测模型进行了比较研究。应用4种预测模型对几个典型的非线性系统进行预测仿真。结果表明,这4种预测模型对典型混沌时间序列预测都具有很好的预测效果;在预测精度上BRF模型和Volterra模型明显优于最大Lyapunov指数模型和局域线性模型。     

一种参数联合优化的网络流量非线性预测模型

为了提高网络流量预测精度,利用相空间重构和神经网络参数间的相互联系,提出一种参数联合优化的网络流量非线性预测模型。将相空间重构和预测模型参数作为粒子群优化算法的粒子,网络流量预测精度作为粒子适应度函数,通过粒子之间相互协作获得全局最优参数,根据最优参数建立最优网络流量非线性预测模型,通过网络流量实例对模型性能进行测试。结果表明,相对于传统参数优化方法,参数联合优化方法大幅度提高了网络流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

相空间重构的卡尔曼滤波交通流预测研究

为了提高城市交通流的预测精度,克服单一预测模型不能很好反映交通流本质特征的缺点,在交通流混沌特性的基础上,提出将卡尔曼滤波理论与相空间重构原理相耦合的方法,建立基于相空间重构的卡尔曼滤波交通流预测模型。此模型以相空间重构的相点作为状态向量构成相点的状态空间描述,运用卡尔曼滤波理论实时预测并校正相点的未来演化规律,并根据焦作市某路段的交通流数据进行实例仿真。通过相关性能指标对比分析,结果表明,基于相空间重构的卡尔曼滤波预测模型各项指标明显优于未改进的单一模型,使预测精度提高了16.75%。     

短时交通流量预测的IPSO-BPNN算法

为了提高短时交通流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种粒子群优化神经网络的短时交通流量预测模型。将相空间重构和预测模型参数编码为粒子群的粒子,短时交通流量预测精度作为粒子群的适应度函数,通过粒子之间协作获得预测模型全局最优参数,通过BP神经网络建立预测模型,利用短时交通流量数据对模型性能进行测试。结果表明,相对于传统参数优化方法,粒子群优化神经网络提高了短时交通流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

延迟时间和嵌入维数联合优化的网络流量预测

为了提高网络流量的预测精度,利用相空间重构的两个关键参数-延迟时间（τ）和嵌入维（m）间的相互联系,提出一种延迟时间和嵌入维数联合优化的网络流量预测模型。该模型以最小二乘支持向量机作为网络流量预测算法,根据网络流量预测结果优劣评价指选择最优[τ]和[m]值,建立单步、多步网络流量预测模型,并通过仿真实验对模型的性能进行分析。结果表明,模型可以准确选择出最优嵌入维数和延迟时间,显著提高了网络流量的预测精度,预测结果明显优于独立优化[τ]和[m]以及传统联合优化[τ]和[m]的网络流量预测模型。     

网络流量预测模型研究进展

网络流量预测的关键是建立相应的数学模型.介绍了网络流量预测模型的基本概念和分类,指出了单一预测模型存在的问题.从模型构建原理出发,重点对组合预测模型进行了系统的分类,将其分为线性组合模型、优化组合模型、分解重构组合模型,介绍了各组合模型的相关研究进展,并分析了它们的特点和适用范围,指出组合预测模型能更精确、全面地预测流量.针对流量预测目前存在的问题,对未来研究趋势提出了几点思考.     

相空间重构和SVR联合优化的短时交通流预测

短时交通流预测首先重构相空间,然后采用时间序列模型预测交通流量,而支持向量回归机（SVR）是比较好的时间序列预测模型。但短时交通流相空间重构的嵌入维数与延迟时间与支持向量回归机的参数确定往往是分别独立地求解,难以达到两组参数值的同时最优,影响预测的准确性。为了提高短时交通流的预测准确性,提出一种利用粒子群算法联合优化相空间重构和支持向量回归机的预测模型,并用于实际短时交通流数据的预测。该模型的相空间重构和支持向量回归机（SVR）的参数联合一起优化,利用粒子群算法同时优化其两组参数的组合值。采用短时交通流数据仿真,结果表明联合一起优化所得参数的预测器提高了简单模型预测的效果。     

基于残差改进的灰色模型网络流量预测

网络流量是衡量网络运行负荷和状态的重要参数,也是网络规划、流量管理等方面起着重要的作用的重要参数.在流量管理中,流量模型用于评价接入控制机制和预测网络性能.灰色模型在反映数据的趋势性变化上效果明显,随着灰色理论的发展及其广泛应用,越来越多的改进方法已经被提出.在对原有的模型进行研究的基础上提出进一步改进模型来对网络流量进行预测.