基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机（SVM）混沌时间序列预测精度的方法。对于模型参数估计,引入混沌粒子群优化算法（CPSO）实现全局寻优,利用支持向量回归实现非线性系统的建模和预测。对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测。     

相空间重构和支持向量机参数联合优化研究

在混沌时间序列预测过程中,相空间重构和支持向量机参数是影响混沌时间序列预测性能的两个重要方面,传统上两者是分开单独进行的.利用相空间重构和支持向量机参数之间的互相依赖关系,提出了一种基于粒子群算法的相空间重构和支持向量机参数联合优化方法.参数联合优化核心思想是在相空间重构的同时选择最优支持向量机参数,通过粒子群算法对参数联合优化来实现.通过采用参数联合优化算法对混沌时间序列Mackey-Glass和太阳黑子年平均数时间序列进行了仿真实验,结果表明,相对于传统的分开单独优化方法,参数联合优化方法提高了混沌时间序列模型的预测精度,泛化能力更好.     

变分贝叶斯Kriging模型预测混沌时间序列

基于变分贝叶斯及Kriging数学思想,提出了一种含噪混沌时间序列的相空间域预测模型。在相空间域中利用变分贝叶斯推断方法估计模型中的回归系数,采用Kriging数学方法估计模型中的随机部分,将该模型对含加性高斯噪声的Lorenz及Mackey-Glass混沌时间序列进行了预测研究;结果表明该文方法能够有效地预测含噪混沌时间序列,且具有较强的抗噪能力以及有效地克服了过拟和现象;同时预测精度对重构相空间的嵌入维数和时间延迟的变化不敏感。     

混沌时间序列的自适应正交小波神经网络预测

针对非线性混沌时间序列预测问题,提出一种基于正交小波神经网络的自适应预测算法.根据来自非线性序列模型的期望输入输出数据,利用小波框架理论建立初始的小波神经网络.采用正交化逐步选择方法对于初始小波神经网络进行结构优化,从而建立最精简的网络模型.同时引入在线学习算法在线修改网络权值和小波神经元的参数,从而提高模型的自适应能力和泛化能力.通过对时滞Mackey-Glass超时间序列和时变Lorenz混沌序列的预测,证明了算法的有效性.     

一种基于衰减系数的混沌时间序列预测法

为提高加权一阶局域模型的预测精度,提出一种改进型混沌时间序列预测方法.该方法用衰减系数和时间延迟修正向量距离公式,调节邻近点与中心点的相关性,同时,只用邻近点中与预测值相关性最大的分量进行线性拟合.利用该方法对Henon混沌时间序列进行预测的结果表明,衰减系数取最佳值时,相对于现有算法,该方法可以更精确地预测混沌时间序...     

基于混合算法优化神经网络的混沌时间序列预测

提出了一种混合算法优化神经网络的混沌时间序列预测模型.将粒子群优化算法与模拟退火算法过程中概率突跳的思想相结合形成一种新的混合算法,并用此混合算法优化神经网络建立预测模型.该模型克服了传统的神经网络收敛慢、易陷入局部最优等不足.利用该模型对Mackey-Glass混沌时间序列和Henon映射进行实验仿真,结果表明,该模型收敛速度快,稳定性能好,预测精度高.     

关于Li-Yorke δ-混沌与按序列分布δ-混沌的等价性

关注Li-Yorke混沌和按序列分布混沌的关系,指出全体按序列Q分布δ-攀援偶对构成的集合为乘积空间中的一个Gδ集.证明了: (1)Li-Yorke δ-混沌等价于按序列分布δ-混沌; (2)一致混乱集是按某序列分布攀援集; (3)一类传递系统蕴含了按序列分布混沌.     

强一致收敛下的Li-Yorke混沌和分布混沌

【目的】研究混沌中序列映射与极限映射的关系。【方法】在超空间上,引入强一致收敛、Li-Yorke混沌、Li-Yorke-δ混沌和分布混沌的定义,然后利用强一致收敛的定义去讨论 Li-Yorke混沌、Li-Yorke-δ 混沌和分布混沌中的序列映射与极限映射的关系。【结果】若超空间上的序列映射是 Li-Yorke混沌(Li-Yorke-δ 混沌、分布混沌)且 Li-Yorke混沌集(δ 混沌集、分布混沌集)的所有交是不可数集,那么超空间上的极限映射就为 Li-Yorke混沌(Li-Yorke-δ 混沌、分布混沌);若超空间上的序列映射是Li-Yorke混沌且满足两个条件,则超空间上的极限映射是 Li-Yorke-δ 混沌。【结论】在超空间上,强一致收敛的条件下,序列映射上的混沌与极映射上的混沌具有保持性。
     

加权支持向量回归在线学习方法

在标准支持向量回归在线学习的基础上,提出了一种加权支持向量回归在线学习方法(WOSVR),即加权支持向量机中针对不同样本点使用不同惩罚系数C,且不同惩罚系数C反映了样本重要性的不同,WOSVR中近期数据重要性大于历史数据重要性.使用基准数据Mackey-Glass混沌序列进行了相关验证实验.结果表明,加权支持向量回归在线学习方法能有效修改模型.     

关于Li-Yorke Δ-混沌与按序列分布Δ-混沌的等价性

关注~Li-Yorke~混沌和按序列分布混沌的关系, 指出全体按序列~$Q$~分布~$\delta$-攀援偶对构成的集合为乘积空间中的一个~$G_\delta$~集.证明了: (1)~Li-Yorke~$\delta$-混沌等价于按序列分布~$\delta$-混沌; (2)~一致混乱集是按某序列分布攀援集; (3)~一类传递系统蕴含了按序列分布混沌.