一种在线实时快速地判定交通流混沌的组合算法

交通控制的实时性要求高，需要在线实时快速地判定交通流混沌，才可能实现交通流的混沌控制。计算时间序列的最大Lyapunov指数是判定混沌的主要方法。本文提出一种在线实时快速地判定交通流混沌的组合算法。该算法先用关联积分法（C—C方法）确定重构相空间的两个重要参数——嵌入维m和延迟时间τ，再用小数据量方法计算时间序列的最大Lyapunov指数。为检验算法的有效性，首先将算法用于几个最大Lyapunov指数已知的经典混沌系统，比较计算结果；同时对皮埃莱（Bierley）跟驰模型产生的理论交通流时间序列做了仿真试验，计算了其最大Lyapunov指数。实验结果表明这种算法可以用于数据少的交通流时间序列，并且抗噪性好。     

基于改进型替代数据法的实测交通流的混沌判别

通过对实测交通流进行混沌判别，可以为实际交通流的预测和控制提供理论指导。改进型替代数据法是准确判定时间序列是否具有混沌特性的一种有效方法，该算法不仅能够很好地重构原始时间序列的特性，并且能够避免直接识别混沌方法的局限性。本文以关联维数作为混沌判据，应用改进型替代数据法对微观实测交通流的时间序列进行了混沌判别。实证结果表明，我们实测的交通流中存在混沌，改进型的替代数据法能对其进行准确判别。     

基于混沌和RBF神经网络的短时交通流量预测

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，论文从非线性时阅序列的角度对短时交通流量预测进行探讨，提出采用基于混沌理论的RBF神经网络预测方法。首先在采用小数据量的Lyapunav指数计算方法判定交通流存在混沌的前提下，对交通流量数据进行相空间重构。构建了RBF神经网络，并对模拟产生的Lorenz和Rossler混沌时间序列数据以及实际采集的高速公路交通流量数据进行了仿真研究。结果表明，该方法对模拟产生的混沌时间序列具有很好的预测效果，在交通流量的短时预测上也具有较高的预测精度。     

基于混沌分析的道路网交通流短时预测

道路网交通流短时预测是实现智能交通控制和诱导系统的基础,本文以实时采集的交通流数据为基础,运用状态空间重构和G-P算法进行交通流短期特性研究.具体而言,通过分析交通流的混沌特性确定交通流率时间序列的嵌入维数,重构相空间,并以重构的交通流率时间序列作为输入采用Elman神经网络实现道路网多断面交通流率同时预测.研究结果表明,在道路网交通流短时预测方面Elman网络优于经典的BP网络,基于混沌时间序列分析的Elman网络不仅能够实现道路网多断面同时预测,且预测效果优于无重构的神经网络.     

一种新的交通流混沌实时判定方法

对交通流进行混沌判别,可以为实际交通流的预测和控制提供理论指导。由于在一个控制周期内只能获得很少量的数据,交通流时间序列的样本数受到限制,只能采用小数据量的混沌判别方法,然而单独利用改进型小数据量法判别混沌可能出现误判,因此,本文把改进型小数据量法和改进型替代数据法结合起来,既利用了小数据量法计算简单、抗噪性好、所需数据量少等优点,又利用了替代数据法的严密性避免误判。介绍了方法的原理步骤,对理论交通流和实际交通流的时间序列进行了实证研究。结果表明,该方法能对交通流混沌现象进行准确判别,并可用于实时判定。     

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.     

短期电力负荷的小波——混沌时序预测

提出了一种基于2层小波分解的混沌时序相空间重构预测模型.该模型利用小波分解原始负荷时间序列为周期项、趋势项和随机项,采用不同的混沌相空间重构高低频信号,再分别用相应的小波神经网络工具箱拟合混沌吸引子,将其输出进行信号重构得到最终预测结果.该方法兼有频率特征提取和相空间重构的优点,使短期电力负荷时序列的动力学系统得到更加细致的恢复.通过对欧洲电力负荷竞赛数据的实验证明了所提方法的有效性,仿真结果表明方法预测精度优于常规混沌时序预测方法.针对神经网络预测不稳定的问题给出了一种种解决措施,并提出了一种小波神经网络工具箱,该方法比编程实现的小波网络可以大幅度提高训练速度,尤其适合于大批量数据的训练,对小波神经网络的推广应用和混沌时序预测具有重要意义.     

中国期货市场的混沌性检验

以国内各期货品种日收盘价格序列作为研究对象,对中国期货市场是否存在混沌进行全面的检验。首先运用新的最大交易量复权法对期货价格数据进行采样,再进行收益率和对数线性去趋势平稳化处理,运用R/S分析和BDS检验来检验其非线性,运用递归图方法进行确定性检验,发现国内期货市场普遍具有非线性和确定性。其后,对这些时间序列进行相空间重构,计算最大Lyapunov指数、关联维数和Kolmogorov熵等几何不变量,从而得出中国期货市场具有混沌和分形特征的结论,为进一步的混沌预测分析打下基础。     

扩展目标角闪烁非线性检验及其抑制技术

为减小扩展目标角闪烁对目标跟踪的不利影响,采用替代数据方法对扩展目标的角闪烁线编差时间序列进行非线性检验,选择关联维数和Er作为检验参量,根据原始数据和替代数据检验参量的显著区别验证了角闪烁线偏差时间序列具有的非线性动力特性,即混沌序列。在此基础上,根据混沌序列的短期可预测性,在重构相空间中,对角闪烁线偏差序列相轨迹进行预测,以达到抑制角闪烁的目的。仿真实验结果证明了该算法的有效性。     

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.     

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PSRT的大连豆粕期货价格的混沌判据

通过相空间重构技术,对大连豆粕期货价格增长率的时间序列分别进行相空间重构,应用Wolf方法得出最大的Lyapunov指数,从而给出系统混沌存在的证据;利用关联函数求出关联维度和Kolmogorov熵,从而给出对系统的混沌程度的估计和对大连豆粕期货价格进行有效性预测的时间尺度.     

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。     

汇率时间序列混沌动力学特征及实证

为判定汇率时序是否具有混沌动力学特征,运用相空间重构技术和小数据量算法对5种主要货币兑美元的日汇率数据进行实证分析.研究发现,5种汇率时间序列的最大Lyapunov指数λ1均大于0,相关维数均为分数,表明汇率时间序列的确存在混沌动力学特征.混沌特征的判定为深入分析汇率序列,以及进一步的预测和风险控制提供了重要的理论依据.     

时间序列确定性的指标检验方法

对于时间序列的生成机理是否服从于确定规律性的判断将直接影响到对其进行研究的理论框架的选择。提出了一种时间序列确定性成分的指标检验方法。该方法首先将待检验的时间序列重构于高维相空间中,寻找其主要几何特征在低维欧式空间中的投影,再将投影反射回高维相空间。通过比较原高维相空间与反射空间之间的偏差,来判断该序列的确定性。仿真实验证明了该方法具有可靠性。     

基于SVM的入库径流混沌时间序列预测模型及应用

针对常用的入库径流混沌预测模型只能做短期预测,且需要大量样本数据的问题,将支持向量机理论与混沌预测理论相耦合,建立基于支持向量机的入库径流混沌时间序列预测模型,该模型利用混沌理论中的相空间重构技术将原始入库径流序列映射到一个高维相空间,以相空间中的相,占为基础构造训练样本和测试样本,然后利用支持向量机理论进行预测。经实例计算,模型比基于最大Lyapunov指数的混沌预测模型、人工神经网络模型和自回归模型拟合效果好,预测精度高,丰富和发展了入库径流预测理论和方法。     

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 .     

基于相空间重构与鲁棒极限学习机的时延预测

针对网络控制系统(networked control system,NCS)诱导时延具有的时变、随机、非线性等特点,提出了一种相空间重构与鲁棒极限学习机(robust extreme learning machine,RELM)的时延预测算法。首先利用0-1测试对时延序列进行混沌特性检测,再通过改进关联积分法确定重构延迟参数和嵌入维数,进而对时延序列进行重构,新的样本更能真实反映时延变化特性。以重构后的时延序列为训练样本,同时,考虑异常值的稀疏特性,运用RELM进行时延序列预测。该方法具有学习速度快、泛化性能好、可有效降低异常值影响等优点。     

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.     

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.