多变量时间序列相空间重构中参数的确定

介绍了多变量时间序列相空间重构理论.提出一种新的基于平均预测误差最小化的重构参数确定方法,阐述了该方法的算法过程及一些重要特点.此方法考虑了所有重构参数对平均预测误差的影响,能够同时确定重构系统相空间所需的恰当嵌入维数及时间延迟.最后将该方法应用于股票市场非线性动力系统的相空间重构,通过比较和分析验证了其优越性.     

混沌理论在混沌跳频序列分析中的应用研究

传统分析跳频序列的方法仅从跳频特性方面考虑,此处应用混沌性判别理论研究了混沌跳频序列的混沌性,继而利用相空间重构理论对其分析了时间延迟和嵌入维数。利用相空间重构理论,可重构得到与原系统等价的系统,进而可指导分析原系统的特性。     

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。     

测井时间序列的混沌现象研究

测井时间序列的计算机沉积微相识别，在特征提取上有一定的难度。证明测井时间序列是混沌的，是提取其混沌特征的前提条件。混沌时间序列的判定目前已有不少方法，本文结合测井曲线的特点，利用相空间重构技术和G—P算法，用关联维数方法证明了测井时间序列确实存在混沌。实验数据来自某油田的实际测井数据。实验结果表明，油层组的关联维数与油层的构造特点有关，并发现了该区域油井的油层组关联维数一般大于全井这一有趣的现象。     

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.     

一种新的多嵌入延迟相空间重构方法

对文献[5]提出的Cao方法进行了改进,提出一种新的多嵌入延迟相空间重构方法,不仅能够判断最小嵌入维数,还能够确定最佳时间延迟矢量。Cao方法的应用领域得以扩展,使得相空间重构问题可以在一个判断标准下完成。数值仿真结果表明,该改进方法在处理包含多个强烈周期成分的信号时比目前常用的单一嵌入延迟方法有明显优势。     

相空间重构优化研究

分析了传统相空间重构方法的不足,提出了相空间重构优化的标准和重构质量的评价方法.由于相空间重构过程中,重构参数的改变直接导致了吸引子的伸展和折叠行为.并形成相应的空间结构.通过无序度可以有效地刻画重构吸引子的不同性态,当无序度最小时可保证吸引子具有最规则的结构.重构质量的评价主要是通过检测吸引子拓扑结构的稳定性来实现,这比其他检验方法更具有客观性.仿真实验结果表明该方法的可行性.     

基于相空间重构的股价时间序列相关性分析

股指的相关性研究对于衍生产品定价、风险管理、套期保值和最优投资组合选择等都具有重要的意义。股指相关性研究大都是在线性理论的基础上,即认为股指时间序列是线性的,但是实际上,股指时间序列具有很强的非线性特征,因此在线性理论基础上得到的相关性结果具有一定的局限性。应用非线性的混沌理论,通过对沪深股指混沌时间序列进行相空间重构,建立了一个多维的股指时间序列系统。运用典型相关分析对构建的系统进行相关性计算,得到沪深股指之间的相关性。     

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。     

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。     

Internet访问时间的混沌性解析

以CAIDA组织授权的海量数据为样本空间,利用相空间重构技术以及G-P算法,对时间维的Internet访问时间进行相空间重构,得到其混沌吸引子饱和关联维数为2.8308,证实Internet访问时间的演化过程具有混沌特征.在此基础上,根据关联维数及奇怪吸引子在相空间混沌轨道运动的特性,提出了三维微分方程组的Internet访问时间长期预测模型.     

基于置换乱序的混沌加密算法

本文分析国内外部分研究成果的新进展 ,指出混沌序列在实际加密应用过程中存在的一个本质缺陷。由于混沌序列具有类随机性、对初始条件敏感性、序列相关性、复杂性和较宽的频谱等优良的密码学性能 ,作者针对这一现代密码学重要的研究方向。提出一个可实施的加密改进方案 ,该方案可有效提高混沌加密算法的抗破译性。     

相空间重构方法研究

利用混沌理论进行信号处理的第一步就是对混沌信号进行相空间重构,Tekens提出的延迟坐标法奠定了相空间重构的基础,而重构参数的选择则成为主要的难题.在比较了现有参数选择方法的基础上,提出了一种基于三阶相关奇异谱分析的相空间重构方法,仿真证明了该方法的有效性,而且具有较好的重构效果.     

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Ganssian小波函数满足SVM平移不变核条件,并构建相应的Gaussian小波SVM.时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Ganssian小波SVM与常用的径向基SVM及Morlet小渡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,Ganssian小波SVM的效果比其他两种SVM更好.     

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.     

小波分解求取含噪混沌时间序列的关联维数

关联维数是一个混沌时间序列分析中很重要的参数,在分析了噪声对关联维数求取的影响后,提出了一种应用小波分解求取含噪混沌时间序列关联维数的方法,数值试验证实了我们这种方法的正确性与可行性.     

Logistic混沌序列加密改进方案

由于Logistic映射具初始条件敏感性、随机性、相关性等优良的密码学性能而广泛应用于混沌加密。为了避免搜索攻击,本文提出了Logistic映射加密的改进方案并用C语言实现。