混沌时间序列预测模型参数的联合优化

为了提高混沌时间序列预测模型的预测精度,提出了一种相空间重构和最小二乘支持向量机(LSSVM)参数的联合优化方法.联合优化方法的核心思想是首先采用均匀设计对相空间重构和LSSVM参数进行联合设计,然后采用自调用LSSVM进行参数联合优化,最后利用混沌时间序列对联合优化方法进行验证性测试.实验结果表明,联合优化方法预测精度明显优于其它优化方法,且优化速度更快.     

基于混沌时间序列的瓦斯浓度预测研究

近年来各种矿难频发,特别是瓦斯事故时见于报端。瓦斯事故通常伴随着较高的瓦斯浓度,因此,预测未来时刻的瓦斯浓度是预测瓦斯事故的有效手段,对煤矿的安全生产具有十分重要的意义。对混沌理论中的C-C方法进行简化,并用这种方法对5大煤矿的瓦斯浓度监测数据构成的时间序列进行相空间重构,依据数据的实际情况确定其最佳时延和嵌入维,然后用加权一阶局域法对下一时刻的瓦斯浓度进行预测。实验结果表明瓦斯浓度时间序列具有明显的混沌特性,且当时间序列长度为500时,计算量适中且预测结果较优,对500个异常瓦斯浓度预测的均方误差达到0.122 024,从而可用于瓦斯事故的预测,为煤矿及时采取通风等措施提供决策依据。     

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。     

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。     

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。     

混沌时间序列分析中的相空间重构技术综述

本文对混沌时间序列分析中的相空间重构技术进行了分析和评价,总结了国内外学者的研究进展,并展望了未来的研究方向。     

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。     

混沌时间序列改进的加权一阶局域预测法

加权一阶局域预测法是目前最常用的一种混沌时间序列预测方法。基于延迟坐标相空间重构理论,提出了混沌时间序列改进的加权一阶局域预测法。仿真结果表明该方法的多步预测性能与一步预测性能明显好于加权一阶局域预测法的多步预测性能与一步预测性能。     

遗传算法在混沌时间序列预测中的应用研究*

在混沌时间序列研究中,相空间重构和预测模型参数优化是影响预测性能的关键步骤,利用两者之间的相互联系来提高混沌时间序列预测模型的整体性能,提出一种基于遗传算法的混沌时间序列参数同步优化方法。同步优化方法将相空间重构和最小二乘支持向量机参数作为遗传算法的染色体,预测精度作为遗传算法的适应度函数值,通过遗传算法对参数同步优化问题进行求解。通过混沌时间数据对同步优化方法进行了验证性实验。实验结果表明,相对于单独参数优化方法,同步优化方法不仅提高了混沌时间序列的预测精度,同时降低了计算时间的复杂度。     

时间序列一步预测方法*

为了改善时间序列预测的性能,提出一种时间序列一步预测分析方法。首先将一个时间序列分解为总体趋势和个体波动两个序列,然后分别对这两个序列进行预测分析,再将结果合成得到最终的预测结果。对于总体趋势序列利用加权滤波算法进行分析,而对于个体波动序列则先进行混沌特性分析,再结合混沌预测分析方法对其进行预测。利用混沌优化方法动态地调节预测网络的参数,逐渐提高网络的预测精度。利用该方法分别对混沌序列、实际股票价格等序列进行了仿真预测分析,仿真结果表明,该方法具有良好的预测效果。     

煤矿多传感器混沌时序数据融合预测

针对单传感器煤矿数据预测存在的片面性问题,提出将信息融合技术与相空间重构技术相结合的多传感器煤矿数据的预测模型。对井下多种传感器,包括瓦斯浓度、风速、温度传感器,进行融合预测。以多类传感器时序数据为研究对象,首先利用信息融合的方法分别对各类传感器数据依次进行数据层融合、特征层融合;然后采用关联积分方法对两级融合之后的传感器数据分别确定相重构的时间延迟τ和嵌入维数m两个参数;最后结合多变量相空间重构技术,将各类传感器数据融合重构相空间,运用基于K-Means聚类的加权一阶局域法构建多传感器数据的预测模型。数据来源于山西省阳泉煤矿,采集了近20G数据,以瓦斯浓度、风速、温度三种传感器数据进行实验,实验结果表明：对于特征层的融合,每15分钟时间段内的数据经融合后可有效作为衡量这段时间内的特征,经过预测模型计算后,与时间段为5分钟、10分钟、20分钟相比较误差达到最小ESS=0.003,较目前的最小误差值0.05,误差大大下降,故融合预测效果较好,可以较准确地预测未来15分钟后的传感器数据,可有充足时间进一步为井下的安全评估提供决策依据。     

A chaotic time series prediction model for speech signal encoding based on genetic programming

In this paper, a novel solving method for speech signal chaotic time series prediction model was proposed. A phase space was reconstructed based on speech signal's chaotic characteristics and the genetic programming (GP) algorithm was introduced for solving the speech chaotic time series prediction models on the phase space with the embedding dimension m and time delay τ. And then, the speech signal's chaotic time series models were built. By standardized processing of these models and optimizing parameters, a speech signal's coding model of chaotic time series with certain generalization ability was obtained. At last, the experimental results showed that the proposed method can get the speech signal chaotic time series prediction models much more effectively, and had a better coding accuracy than linear predictive coding (LPC) algorithms and neural network model.     

ESN岭回归学习算法及混沌时间序列预测

ESN（回声状态网络）是一种新型的递归神经网络．可有效处理非线性系统辨识以及混沌时间序列预测问题．针对ESN学习算法中可能存在的解的奇异问题,利用岭回归方法代替原有的线性回归算法．通过贝叶斯或Bootstrap方法确定岭回归方法中的正则项系数．从而有效地控制输出权值的幅值,改善ESN的预测性能．该方法在月太阳黑子预测问题中显示出较好的结果．     

Recursive prediction for long term time series forecasting using advanced models

There exists a wide range of paradigms, and a high number of different methodologies that are applied to the problem of time series prediction. Most of them are presented as a modified function approximation problem using input/output data, in which the input data are expanded using values of the series at previous steps. Thus, the model obtained normally predicts the value of the series at a time (t+h) using previous time steps (t-τ₁),(t-τ₂),…,(t-τ_n). Nevertheless, learning a model for long term time series prediction might be seen as a more complicated task, since it might use its own outputs as inputs for long term prediction (recursive prediction). This paper presents the utility of two different methodologies, the TaSe fuzzy TSK model and the least-squares SVMs, to solve the problem of long term time series prediction using recursive prediction. This work also introduces some techniques that upgrade the performance of those advanced one-step-ahead models (and in general of any one-step-ahead model), where they are used recursively for long term time series prediction.     

回声状态网络LM算法及混沌时间序列预测

回声状态网络（ESN）学习算法中可能存在解的奇异问题,在时间序列预测时易导致病态解问题,且伴随着具有较大幅值的输出权值,尤其是当训练样本个数小于输出权值维数时,ESN的解必为奇异的.鉴于此,考虑使用LM（Levenberg Marquardt）算法代替常用的线性回归方法,自适应选择LM参数,从而有效地控制输出权值的幅值,提高ESN的预测性能.通过Lorenz混沌时间序列进行预测研究,对大连月平均气温实际数据进行仿真研究,取得了较好的预测效果.