基于混沌时间序列分析的股票价格预测

根据股票市场是非线性动力系统的假设,利用混沌理论对混沌时间序列的分析方法,提出了股票价格预测方法。同时利用重构相空间的嵌入维数和延迟时间分别确定经向基函数模型网络的结构和训练样本对,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,并与前馈神经网络模型相比,可得到较好的预测结果,因而在股票时间序列预测中有广泛的实用价值。     

基于混沌时间序列模型的用水量预测

城市用水量预测在供水系统的调度决策管理中具有重要作用。通过对用水量的分析,发现了城市用水量具有混沌特性,并提出一种基于混沌时间序列模型的用水量预测方法。实验表明,预测误差率小于1.31%,能对供水调度决策提供有力支持。     

基于暂态混沌神经网络的低阶混沌时间序列预测

暂态混沌神经网络是一种基于Hopfield网络提出的混沌神经网络,具有收敛速度快、不易陷入局部极小等优点．许多低阶的混沌系统都可以展成二阶volterra级数,因此提出一种基于暂态混沌神经网络和volterra级数的低阶混沌时间序列预测方法．该方法利用暂态混沌神经网络计算系统的volterra级数系数,确定系统的动力学模型,从而实现混沌时间序列预测．利用Logistic模型对该方法进行测试,结果表明,预测相对误差小于0．5％,预测可达到较高的速度和精度．     

基于递归网络的混沌时间序列预测

为了能对时问序列充分建模,从混沌的慨念入手,将混沌与神经网络相结合,利用人工神经网络的拟合特性,提出了递归网络的混沌时间序列预测方法。给出了递归神经网络预测的基本理论、数学模型、及具体步骤,并通过由杜芬方程所产生的混沌时间序列对该神经网络进行了模拟实验。仿真结果表明,该方法远好于前馈网络的预测效果,其预测误差在10^-15的数量级上。     

基于混沌和离散余弦变换的语音信号隐藏算法

设计一种基于混沌和离散余弦变换的语音信号隐藏算法。用混沌序列产生随机的整数序列对秘密语音信号的采样点进行加密,再对载体语音信号进行分段离散余弦变换,将加密后的秘密语音信号嵌入到随机选取的载体中频系数中,且使秘密语音信号嵌入过程中段内系数的变化值适应于系数本身大小,以协调隐蔽性与鲁棒性。利用两段语音信号所进行的隐藏仿真实验表明,所给算法可行,对噪声攻击具有鲁棒性。     

边坡变形预测的混沌时间序列全局近似方法

边坡系统的各种参量是不确定的和随机的,在其演化过程中发生一系列的混沌现象.运用现代混沌理论,对边坡变形的预测问题进行探索性研究,把混沌时间序列全局近似方法引入到边坡工程研究中,对该理论的建立及预测方法进行系统地讨论.通过对新滩滑坡的研究结果表明,混沌时间序列方法对混沌序列的预测较线性时间序列具有较高的精度.     

混沌时间序列的局域区间预测

在深入分析ε^p-邻近点能够避免伪邻近点产生的基础上，提出了区间邻近点的概念，它在有效防止伪邻近点产生的同时也建立起了一个邻近点列表，可以方便地从该列表中找出某一状态的邻近点集合，并给出了混沌时间序列的一种局域区间预测方法。该方法避免了经典局域预测法中每一步都要搜索历史数据寻找邻近点的过程，提高了局域预测的效率。     

电离层电波信号衰减的混沌时间序列预测

电波信号穿过电离层传播时,由于电离层的作用将使得电波信号产生一系列的失真.分析了传统混沌时间序列预测的理论和方法,并分析了电波信号穿过电离层的时间序列特征,发现该时间序列具有混沌时间特征,进而在传统的混沌时间序列预测的基础上,给出了一种更适合于电离层电波衰减时间序列预测的方法.同时,利用它预测了一组电波信号穿过电离层的时间序列特征,并分析了其预测精度.结果表明,利用修正的混沌时间序列预测方法预测的电波信号穿过电离层衰减的时间序列,其短期的预测效果很好.     

一种基于混沌序列的数字水印算法

将载体彩色图像转换为灰度图像,通过密钥和阂值计算得到二值混沌序列,利用混沌序列把二值图像作为水印嵌入,实验结果证明该方法信息隐藏率高,隐蔽性好,且易于实现,能抵抗剪裁攻击,但是在遭到有损压缩的攻击时。随着压缩强度的加大,提取出的水印有所失真．     

基于混沌时间序列的旋转机械状态趋势预测研究

针对旋转机械设备的非平稳运行状态,以混沌理论为基础,将最大Lyapunov指数的预测模型引入旋转机械故障趋势预示,阐述了构造预报函数f ^或F ^的两种方法,提供了混沌时间序列的最大可预测时间的计算方法,通过对大型机组实验数据的分析,证明了在最大预测时间内,该预测方法是较理想的.     

基于混沌映射和离散变换的零水印算法

提出了一种基于混沌映射和小波变换的零水印算法.该算法将原始图像进行小波变换后,取其低频子带的小波系数作logistic映射,将得到的结果处理成一维数组作为提取水印图像的依据,并进行了Arnold变换和加密处理,因而保证了水印信息的安全性.     

基于LS-SVR的混沌时间序列多参数自适应预测

故障预测对保障复杂设备的安全可靠工作具有重要意义,但往往难以建立起准确的解析形式的数学模型,因此常常依赖于通过观测所获得的混沌时间序列进行预测分析.为了提高预测的有效性和准确性,基于支持向量机预测理论,提出考虑全部相关多参数混沌时间序列中的信息,进行多参数相空间重构产生训练样本,并建立了多参数自适应最小二乘支持向量回归预测模型.以某设备三个相关参数的仿真混沌时间序列为例进行了预测实验,结果表明该方法有较好的预测精度,是一种有效的预测方法.     

部分变量脉冲反馈的离散混沌同步算法的构造与分析

为提高混沌系统应用于保密通讯时的保密性,研究了离散混沌系统部分变量脉冲反馈同步的问题,提出了一个部分变量脉冲反馈同步的通用算法.利用Lyapunov直接法证明了算法的可行性.将此通用算法应用到一类离散混沌系统,构造了具体的同步算法.最后用实例进行了模拟仿真,结果表明提出的算法是可行的.     

基于混沌时间序列的黄土滑坡变形预测方法及应用

采用GNSS技术进行滑坡变形监测时,由于多路径等观测误差的存在,直接使用GNSS监测结果进行变形预测会影响预测结果的精度。为了探讨GNSS测量误差对变形预测结果的影响程度,考虑到滑坡系统的混沌特性,采用混沌理论对陕西泾阳地区庙店滑坡GNSS变形监测结果抑噪处理前后的时间序列进行了对比分析。首先,采用互信息量法确定监测序列的时间延迟、用改进的虚假邻近点法(Cao算法)确定嵌入维数,获取相空间重构参数; 然后使用最大Lyapunov指数对两种变形监测序列进行混沌特性识别; 最后,分别使用加权一阶局域预测方法、最大Lyapunov指数预测方法和BP神经网络预测方法对滑坡变形监测结果进行预测。结果表明:GNSS滑坡变形监测结果抑噪处理前后的时间序列满足混沌特性,说明滑坡系统具有混沌特性; 在3种混沌时间序列预测方法中,BP神经网络预测方法的效果较好,且该方法预测结果的平均绝对误差(MAE)和平均相对误差(MRE)分别为0.4 mm和11.9%,经过S-变换抑噪处理后,预测结果的平均绝对误差和平均相对误差分别为0.1 mm和4.1%,预测效果有明显改善。     

基于BP神经网络的混沌时间序列预测方法及应用研究

神经网络在时间序列的预测中得到广泛的应用,但神经网络模型的输入层神经元个数的选取仍然没有一个明确的解析式来表达.为解决这个问题,在非线性动力系统中,根据混沌理论重构相空间,通过最大Lyapunov指数判定时间序列是否存在混沌现象,存在则通过G-P算法计算出混沌吸引子的关联维数,进而获得相空间的嵌入维数作为神经网络的神经元个数.通过上述方法对铝现有价格进行建模,验证该方法对时间序列的短期预测有较好的精度,在此基础上,对未来一段时间铝价格进行预测.     

Stabilization of Chaotic Time Series by Proportional Pulse in the System Variable Based on Genetic Algorithm

The PPSV (Proportional Pulse in the System Variable) algorithm is a convenient method for the stabilization of the chaotic time series. It does not require any previous knowledge of the system. The PPSV method also has a shortcoming, that is, the determination off. is a procedure by trial and error, since it lacks of optimization. In order to overcome the blindness, GA (Genetic Algorithm), a search algorithm based on the mechanics of natural selection and natural genetics, is used to optimize the λi The new method is named as GAPPSV algorithm. The simulation results show that GAPPSV algorithm is very efficient because the control process is short and the steady-state error is small.     

用结构相似序列改进预测序列

用分段抽样方法进行需求预测,得到预测序列x_(λt0),x_(λt1),…,x_(λt??)λ=1,2,…,n.如何对这些序列加以改进,使其既保持序列的一些已定结构,又满足宏观约束条件:x_(λik)关于λ的总和不大于预先给定的常数A.本文给出一个简单的方法.     

基于时间序列相似性匹配算法的地震预测研究

把匹配抽象时间序列相似性的方法引入到地震预报的应用中,结合大量地震历史源数据,地震领域的专家经验知识和相关成果基础上,提出了一种简化的抽象时间序列匹配模型。该模型在对海量数据进行预处理筛选的基础上在进行时间相似性匹配,增加了横向和纵向多方位地区和多方位时间段的匹配,不同时间差和阈值的匹配,并通过大量实验对该模型进行了反复验证,同时对我国地震频繁地区近几十年的地震历史数据进行了相似性匹配实验分析,取得了可信度较高的实验结果,实验结果验证了所给时间序列相似性匹配控制策略的有效性、实用性以及算法的优越性。