多变量混沌时间序列Volterra自适应实时预测

针对多变量混沌时间序列,给出一种Volterra滤波器实现结构.该滤波器利用基于奇异值分解的最小二乘法确定初始核,通过归一化最小均方差(normalized least mean square,NLMS)算法实时确定滤波系数,并用这种多变量Volterra结构对Lorenz时间序列进行仿真.计算结果表明,在无噪声情况下,该方法的实时一步预测精度比目前单变量混沌时间序列Volterra自适应预测方法的一步预测精度提高了102倍,表明这种实现结构易实现且收敛性能更好;在有噪声的情况下,该方法的实时多步预测性能优于局部多项式预测法的多步预测性能,且抗噪性更强.     

基于稀疏Volterra滤波器混沌时间序列自适应预测

针对混沌时间序列预测问题,提出了一种稀疏Volterra滤波器,该滤波器采用归一化最小均方自适应算法进行多次训练,每次训练只保留滤波系数矢量和输入信号矢量的有效分量进行下一次训练,从而将Volter-ra滤波器的有效滤波系数个数减至最少,降低了预测模型的复杂性。四种混沌时间序列的预测实验表明:该滤波器可同时实现对混沌流和混沌映射的建模与预测,可有效地减少滤波器的滤波系数个数,能在不损失预测精度的前提下,降低预测模型复杂性。     

短时交通流混沌预测方法的比较

针对传统的应用数学模型方法在短时交通流预测精度和实时性方面存在的问题,提出了将Volterra滤波器自适应预测模型用于短时交通流的实时预测。为提高预测精度,在Volterra滤波系数计算过程中采用归一化最小均方自适应算法进行多次训练。应用该预测模型对几个典型的非线性系统进行预测,验证了算法的准确性。然后再用此方法对微观实测交通流的时间序列进行实证分析。仿真结果表明,该预测模型对实测交通流时间序列具有很好的预测效果,可以满足实时交通流预测的需要。     

混沌序列自适应多步预测及在股票中的应用

针对混沌时间序列自适应预测方法在多步预测中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,提出了一种自适应多步预测方法.在多步预测中,该方法根据已知样本得到对将来值的预测值并能自适应调节滤波器系数.仿真结果表明此方法的多步预测性能明显好于自适应预测方法的多步预测性能.将此方法应用于对股票数据的预测,得到了较好的预测结果.     

基于Kalman滤波算法的Volterra级数核估计及其应用

为了进一步提高Volterra级数模型在混沌时间序列预测中的精度以及核估计的收敛速度,提出利用自适应Kalman滤波算法对Volterra级数核进行估计的一种新方法。同时,在混沌动力系统相空间重构的基础上,采用关联维数法和最大Lyapunov指数法,对船舶运动时间序列进行混沌特性判定,并对船舶横摇运动时间序列进行多步预测。仿真表明,与归一化最小均方(normalization least mean square, NLMS)算法和最小二乘(recursive least-square, RLS)算法的Volterra级数模型相比,基于自适应Kalman滤波算法的Volterra模型在收敛速度与预报精度方面均优于NLMS算法和RLS算法,为实时在线预报提供了理论依据。     

一种神经网络非线性噪声消除方法

针对阶数的增加,Volterra滤波器的滤波系数个数呈几何级数增长,实现困难的问题,提出采用基于Levenberg-Marquardt(LM)算法的BP神经网络逼近Volterra滤波器,实现神经网络非线性滤波,使计算简化。采用的方法是,先离线调整Volterra滤波器的系数,再用调整好的Volterra滤波器监督训练LM-BP神经网络,然后用训练好的LM-BP神经网络进行非线性自适应滤波。仿真实验结果表明,LM-BP神经网络滤波器较其学习导师———Volterra滤波器具有更好的噪声滤除效果。     

基于Volterra滤波器的混沌背景弱信号检测

针对混沌背景弱信号检测问题,提出了一种基于Volterra滤波器的混沌背景弱信号检测算法.在Volterra滤波系数计算过程中,采用了解线性方程组算法代替原有的自适应算法,提高了混沌预测精度以及混沌背景中弱信号检测性能.仿真结果表明,本文所提出的算法在信混比达到-70dB时,仍能检测混沌背景中微弱信号.     

基于AP的Volterra级数自适应多重回归及其多步预测应用

为解决时间序列多步预测的高效率、高精度问题,提出一种基于Volterra级数的多重回归仿射投影自适应算法。应用虚假最临近点法算法选择最优嵌入维数,优化模型初始参数。以系统Volterra核向量增量的模与某约束总和为损失函数,按照最陡下降原理导出各阶Volterra核更新公式,再利用矩阵求逆引 理递推求取各阶Volterra子系统自相关逆矩阵导出算法,从而实现了对多输入多输出数据样本的建模,采用该模型对Henon映射产生的时间序列进行多步预测实验,结果表明可以对该时间序列进行准确建模和预测,证明了所提模型的有效性。     

基于EEMD和进化KPCR的复杂时间序列自适应预测建模

针对具有非线性、非平稳、多尺度特性的复杂时间序列, 提出一种基于集合经验模态分解（EEMD） 和进化核主成分回归（KPCR）的自适应预测建模方法. 首先运用能克服传统EMD算法中模态混叠现 象的EEMD算法, 按原始时间序列信号的构成特点将其分解到不同尺度, 然后对不同尺度序列采用 C-C方法重构相空间, 在相空间中运用基于混合核函数的KPCR方法构建预测函数. 同时, 针对不同 尺度序列预测模型的优选问题, 采用粒子群优化（PSO）算法在给定准则下自适应确定各项参数, 最后将不同尺度预测结果集成, 得到实际时间序列的预测值. 通过对国际原油价格的数据进行实 证预测分析, 表明了该方法能够在不同尺度对时间序列的变化趋势进行有效描述, 自适应获取优 化的预测模型. 与现有方法相比, 具有较强的自适应建模能力和较高的预测精度.     

一种基于数据融合的新型GM(1,1)建模研究

基于灰色理论和自适应数据融合技术的研究,提出一种基于自适应数据融合的新型灰预测GM(1,1)模型,并对整个建模过程进行了理论推导。该方法利用自适应数据融合以及累加再生成操作来提高非平稳时间序列的光滑度,从而减少样本序列的随机性,提高重构背景值的精确性以及灰预测GM(1,1)模型的拟合精度和预测精度。最后通过该方法对液浮陀螺仪零漂进行建模仿真,结果表明该方法辨识精度高,优于一般平均值法和灰预测方法,具有良好的应用价值。     

基于提升静态小波变换的自适应消噪方法

基于离散小波变换的自适应消噪方法为雷达信号的滤波提供了一种可行的方法.但DWT不具有平移不变性,若不用相同的小波对滤波后的信号进行重构,则会带来较大的重构误差.针对这一现象,提出了基于提升静态小波变换的自适应消噪方法,它首先根据DWT的提升方法,得到SWT的提升和对偶提升实现方法,然后通过SWT的提升方法将信号分解为多个子带,利用引入更多动量因子的权系数的迭代公式进行自适应匹配.并对匹配结果二次自适应,得到拟合的原信号.仿真结果表明,该方法可在计算量增加不大的前提下,进一步改善系统的滤波性能.     

金融时间序列分形维估计的小波方法

讨论了金融时间序列的性质,通过实际数据说明,金融时间序列具有两个重要特性——统计自相似性和非平稳性.利用正交小波变换的方法,给出了其分形维的估计方法.最后,实证分析了国内金融市场,并应用此方法分别得出了上证综合指数序列过程和深证成分指数序列过程的分形维.     

基于自适应提升小波变换多分辨率数据融合

建立了基于小波去噪的多分辨率多传感器数据融合模型 ,引入了提升法自适应离散小波变换 ,根据最小均方 (LMS)自适应法确定伯恩斯坦 (Bernstein)提升滤波器的权系数 ,使其匹配低分辨率传感器的数据序列 ,接着使其对高分辨率采样数据的小波分解的尺度系数进行数据更新 ,实现不同分辨率数据的融合。最后对不同分辨率三传感器测量系统进行了数值仿真。实验结果表明 ,该方法可以有效地实现多分辨率多传感器数据融合 ,而且消除了噪声干扰 ,提高了系统的测量精度。     

基于局域波分解的混沌时间序列分析

采用希尔伯特谱方法分析混沌信号的瞬时频率,揭示混沌信号的各组成成分的频率随时间变化的规律;针对噪声背景下的混沌信号降噪问题,以Lorenz方程为例,采用局域波分解方法对含噪信号进行自适应滤波。通过与小波去噪方法对比,仿真结果表明局域波方法的算法通用性强,降噪效果好。     

混沌时间序列的混合预测方法

提出了一种基于小波变换、粒子群优化的最小二乘支持向量机(PSO-LSSVM)和广义自回归条件异方差模型(GARCH)的混沌时间序列的混合预测方法.首先利用小波变换将混沌时间序列分解和重构成概貌时间序列和细节时间序列; 然后利用PSO-LSSVM模型预测概貌时间序列的未来值,采用GARCH模型预测细节时间序列的未来值;最后将概貌时间序列和细节时间序列的未来值求和作为最终的预测结果.采用该方法对Mackey-Glass和变参数Logistic混沌时间序列进行预测. 结果表明该方法能精确地预测混沌时间序列,验证了文中所提方法的有效性.