简单非线性多次降噪过程中的异常状态

为了降低电子制造企业的产品合格率时间序列中的噪声,采用了简单非线性降噪算法对时间序列进行多次局部降噪.在降噪过程中,在某一邻域半径的重构相空间中出现了大部分点变成了孤立点的异常状态.通过对异常状态与正常状态的对比研究,发现异常状态下的时间序列是不变的,而且该时间序列的最大Lyapunov指数为恒定值,其大小已经接近该降噪过程能够达到的最大Lyapunov指数.在重构相空间中的降噪过程中出现异常状态的意义在于:这种状态下的系统在重构相空间中已经进入一种基本有序的状态,重构相空间中的大部分点之间只存在时间相关性,所以出现异常状态后的时间序列正是降噪所要寻找的最佳混沌时间序列.     

改进局部投影算法的混沌降噪研究

针对混沌信号降噪算法中邻域和局部噪声子空间的选取问题,提出了一种改进的非线性混沌降噪方法,即将小波理论和非线性混沌降噪算法结合起来,利用小波分析方法对相空间中的点进行初始邻域半径的估计,自适应地在相空间中选取合适的邻域点;并针对每一个小邻域进行不同的非正交投影,从而更新数据点。仿真中分别对Henon映射产生的混沌序列和实际观测的大连降雨量混沌序列进行了研究,结果证明了该方法简单可靠,且能够较好地校正相空间中点的位置,逼近真实的混沌吸引子轨迹。     

邻域自适应选取及权值平均的投影去噪方法

针对常规局部投影方法在选取邻域点和还原时间序列两方面存在的不足,基于混沌时间序列的相空间重构理论,提出了一种基于相空间重构理论的改进的局部投影非线性去噪方法。该方法在邻域范围的选取和时间序列还原两方面进行了改进。用自适应的邻域选取方法代替了常规的固定邻域范围的方法,同时用加权平均代替直接平均还原时间序列。用改进后的方法对不同初始噪声水平下的Henon时间序列和Lorenz时间序列进行仿真,比较常规方法和改进方法去噪后的信噪比,仿真结果表明提出的改进方法能够更有效地去除包含在时间序列中的噪声成分,同时又能够较好地保留原系统中的混沌特性。     

基于相空间重构的RBF江水浊度预报研究

针对江水浊度序列非线性非平稳的特点,提出基于相空间重构的径向基函数(RBF)神经网络江水浊度预报法.利用虚假邻域法确定最小嵌入维数,根据互信息法计算最佳延迟时间;根据取得的嵌入维数和延迟时间对江水浊度时间序列进行相空间重构;利用重构相空间后的时间阵列,用RBF神经网络建立预报模型;利用该模型对江水浊度进行预报.最后通过仿真,证明基于相空间重构的RBF神经网络预报优于SISO-RBF神经网络预报和BP神经网络预报.     

改进非线性局部平均算法的混沌去噪研究

基于混沌序列重构相空间理论,提出一种改进的局部平均非线性去噪方法。该方法在邻域选择、数据更新等方面进行了改进,更好地校正相空间中点的位置,使其逼近真实的混沌吸引子轨迹,重构吸引子结构,而且计算更为简单可靠。分别对Henon映射产生的混沌序列和实际观测的月太阳黑子混沌序列进行仿真研究。结果证明此方法能够高效地去除噪声,同时保留原非线性系统的混沌特性,并且很好地区分相空间中的邻近轨迹。     

局部投影去噪的一种改进的邻域选取方法

针对局部投影去噪方法的邻域选取问题,分析了选取邻域点的准确率对去噪结果的影响.结合奇异谱分析技术,提出了一种改进的邻域选取方法.该方法对含噪声的相空间进行奇异值分解,利用较大奇异值对应的主分量重构相空间,在重构后的空间中寻找邻域点,以提高选取的邻域点准确率.用改进后的方法对含噪声的Lorenz序列及太阳黑子月观测值序列进行仿真,仿真结果表明该方法能够有效地提高选取的邻域点的准确率,进而改善局部投影方法的去噪效果.     

基于相空间同步的多变量序列相关性分析及预测

针对多变量混沌序列相关性分析中各分量幅值之间可能没有明显的相关性,但在其相空间邻域内会产生同步特性的问题,提出一种从相空间同步角度研究两个变量间相互依赖关系的非线性相关分析方法。首先按照对应的时间标记将原始变量相空间中的邻域点向另外一个变量中进行投影,分析映射前后邻域半径的变化,在此基础上定义一种度量变量间非线性相关性的评价指标。最后构建多变量局域预测模型,实现对多变量混沌序列的精确预测。仿真实例验证了结果的有效性。     

多变量时间序列相空间重构的优化

基于单变量时间序列相空间重构中嵌入维数的计算常采用虚假邻点算法,但推广到多变量情形时存在多种不足,提出了一种多变量时间序列相空间重构时嵌入维数的一种改进算法。改进算法在避免使用虚假邻点算法中的判别距离和算法收敛阈值的同时,也解决了已有多变量重构算法中全局和局部较优相空间维数搜索范围的选取问题。耦合R ossler系统产生多变量时间序列的仿真计算验证了该算法的有效性。经与单变量时间序列对比试验分析,表明采用新算法重构的相空间具有较强的预测能力,由此计算得到的非线性不变量具有较高的计算精度。     

我国资本市场混沌特性研究

提出通过相空间重构及 Lyapunov指数来判定系统的混沌特性 .给出了时间序列相空间重构中确定最小嵌入维数的伪邻点法及确定时滞参数的自相关函数法 ;提出了一种计算 Lyapunov指数的实用方法 ;最后 ,以上证综合指数收益率时间序列为例进行了我国资本市场混沌特性判定研究 .     

基于核函数的混沌序列局域线性预测方法

针对局域线性预测方法本质上是用较简单的非线性函数来预测高度非线性的混沌时间序列的不足,提出了一种基于核函数的局域线性自适应预测算法。该算法利用包含了相空间中邻近点之间的相对距离信息的核函数,将相空间中的邻近点投影到更高维的非线性核空间,在高维(甚至无穷维)的核空间用线性自适应算法预测混沌时间序列,相当于在原混沌相空间用高度非线性的函数预测高度非线性的混沌时间序列,可获得更好的预测结果。给出了应用该方法的具体步骤,通过仿真实验证明了该算法的有效性。     

非线性时间序列定性相空间推理方法研究

提出一种基于定性仿真的非线性时间序列重构相空间的方法,定性相空间推理是其关键一步。通过时间序列定性状态的抽象来裁减其状态空间,规约行为轨迹,重构其定性相空间图。用3变量Lorenz系统产生的数据流对算法进行验证,结果表明能够保留原始相空间图的几何形状和拓扑关系,捕捉到相空间图中存在的行为轨迹的特征。     

基于最小二乘支持向量机的非线性系统建模

探讨了利用支持向量机进行非线性系统建模的方法。首先,利用相空间重构,将非线性时间数据序列映射到高维空间,以便把时间序列中蕴藏的信息充分显露出来。其次,基于最小二乘支持向量机(RLS-SVM)对系统进行建模,仿真结果表明,支持向量机具有良好的非线性建模能力和泛化能力,原始时间数据序列和重建时间数据序列相似,说明提出的算法能够有效的对非线性动态系统的时间序列进行建模。     

基于混沌预测的模糊神经网络控制器设计及应用

由于混沌时间序列内部确定的规律性 ,其重构出混沌吸引子的相空间具有高精度短期预测性。根据非线性、大时滞系统的时间序列重构相空间 ,计算相空间的最大Lyapunov指数、饱和嵌入维数和可预报尺度 ,并以此为指导 ,对系统作高精度预测。在此基础上 ,又设计了遗传算法优化的模糊神经网络预测控制器 ,实现了对非线性、大时滞系统高精度的自适应控制。将该控制应用在锅炉过热汽温控制中 ,仿真表明该控制的有效性、准确性和鲁棒性。     

混沌时间序列的混合遗传神经网络预测方法

在相空间重构理论的基础上,将改进的遗传算法和神经网络结合起来,提出了一种混合遗传神经网络预测混沌时问序列的方法.通过复相关法和Cao方法重构混沌时间序列,利用改进的遗传算法优化神经网络的结构、初始权值和阚值,然后训练神经网络求得最优解.该算法应用到混沌时间序列的预测中,验证了该算法的有效性,并与BP和RBF算法的预测精度进行了比较,仿真结果表明该算法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度.     

时间序列重构相空间中系统定性行为建模与仿真

提出了一种以重构相空间为基础,从实验时间序列研究未知系统动力学的新方法.定义了重构相空间中系统定性状态和定性行为的概念,根据系统动力学特性对模糊聚类方法进行改造,用于自动提取系统的定性状态.基于这些定性状态,给出了系统定性行为的两种表示方法:时序定性状态图和定性状态转移图.分别运用Lorenz系统产生的时间序列和癫痫脑电时间序列对提出的方法进行仿真实验,结果表明,该方法能有效提取系统的定性状态,每个定性状态中的向量之间具有高度的相似性.系统定性行为的两种表示方法均能准确地刻画系统行为中的非线性动力学特征.     

股市预测中的小波神经网络方法

首先论述了股市时间序列中的明显随机性 ,可能是由于非线性确定性系统中混沌行为的缘故 ,利用混沌的确定性可以进行短期预测 .混沌时间序列预测首先要重构相空间 ,接着充分利用小波变换时频分析的局部化特性 ,提出了一种改进的小波网络结构 ,探讨了股市预测模型问题 .经实例验证 ,该方法能有效地提高预测精度 ,避免了人工神经网络模型和指数自回归的固有缺陷 .     

基于小波聚类方法的股票收益率序列时间模式挖掘

时间模式挖掘是指在重构的相空间中搜索能表征和预测的事件的区域。针对股票收益率序列重构相空间，以累计收益和累计密度作为聚类指标，应用小波聚类算法对序列进行时间模式挖掘。实证结果表明，以时间模式预测事件为指导的投资策略能获得高于持有策略的收益；时间模式挖掘能有效识别事件点，事件序列与非事件序列存在显著差别。     

小波分频技术和混沌时间序列在国际石油价格预测中的应用

提供了一种小波分频技术结合Volterra自适应滤波器的预测石油价格趋势的方法,先对原始的石 油价格时间序列进行小波分频分析,将分解后的各层尺度系数和细节系数重构各层的时间序列, 然后分别计算各层时间序列的最佳延迟时间和嵌入维数来重构相空间,最终用Volterra自适应滤波器法预测各层时间序列, 重构成预测油价.实验证明该方法比直接混沌时间序列全局预测和一阶局域预测的精度更高,可预测范围更大.     

嵌入窗方法确定混沌系统重构参数的仿真研究

Takens嵌入定理为混沌时间序列相空间重构提供了理论依据,以LORENZ典型混沌系统为研究对象,通过仿真实验研究了两种嵌入窗方法(C-C法和自动嵌入式相空间重构算法)确定相空间重构参数的步骤和嵌入窗确定指标的选取依据,指出了嵌入窗方法的适用条件和局限性,在自动嵌入式相空间重构算法的基础上提出了AD法和BP神经网络相结合的嵌入窗相空间重构方法,并分析了积分步长对混沌系统重构参数的影响,仿真研究表明,嵌入窗宽度必须由嵌入维和时间延迟共同确定,基于平均轨道周期的改进C-C法利用低维混沌时间序典的伪周期特性,能够快速确定嵌入窗宽度,改善计算效果.     

电力推进船舶电力负荷的多变量混沌局部预测

为提高电力推进船舶电力负荷预测精度,提出电力推进船舶电力负荷的多变量混沌局部预测.将相空间重构由单变量时间序列拓展到多变量时间序列,并依据电力推进船舶电力负荷及其相关因素构成的多变量时间序列进行相空间重构.针对每一分量时间序列采用互信息法进行最佳时间延迟的选择,最优嵌入维数则采用虚假邻点法进行确定.根据多变量混沌时序局部预测,提出基于正则化的电力推进船舶电力负荷多变量混沌局部预测.通过对实际船舶电力负荷的计算实例表明,基于多变量时间序列的预测方法比单变量预测具有较好的预测效果.