Research on Chaotic Time Series Prediction Based on K-entropy and RBF Neural Networks

In this paper, a method of direct multi-step prediction of chaotic time series is proposed, which is based on Kolmogorov entropy and radial basis functions neural networks. This is done first by reconstructing a phase space using chaotic time series, then using K-entropy as a quantitative parameter to obtain the maximum predictability time of chaotic time series, finally the predicted chaotic time series data can be acquired by using RBFNN. The application considered is Lorenz system. Simulation results for direct multi-step prediction method are compared with recurrence multi-step prediction method. The results indicate that the direct multi-step prediction is more accurate and rapid than the recurrence multi-step prediction within the maximum predictability time of chaotic time series. So, it is convenient to forecast and control with real time using the method of direct multi-step prediction.     

KLT-based local linear prediction of chaotic time series

In the reconstructed phase space, based on the Karhunen-Lo`eve transformation (KLT), the new local linear prediction method is proposed to predict chaotic time series. A noise-free chaotic time series and a noise addedchaotic time series are analyzed. The simulation results show that the KLT-based local linear prediction method can effectively make one-step and multi-step prediction for chaotic time series, and the one-step and multi-step prediction accuracies of the KLT-based local linear prediction method are superior to that of the traditional local linear prediction.     

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。     

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。     

混沌时间序列局域预测方法

在深入研究混沌时间序列局域预测方法的基础上,提出了一种加权局域基函数预测方法。该方法综合考虑了广义自由度和邻近点权重,提出了加权动态确定最邻近点数的判定条件,并利用基函数拟合确定出的最邻近点进行预测。算例分析表明,加权局域基函数法具有较高的预测精度,是比较理想的用于混沌时间序列的预测方法。     

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。     

基于混沌算法的自适应预测模型

在混沌算法神经网络的预测模型中 ,适当选择非线性反馈项 ,能使网络的动力学在权空间具有混沌行为 ,网络系统在学习和训练过程中能够跳出能量的局域极小达到全局极小或其近似 .本文基于EP进化算法建立一种自适应机制 ,使得网络能够根据学习和训练的结果优化非线性反馈项 .应用这种算法的神经网络对基于 Mackey-Glass方程和 Lorenz系统的时间序列进行在线预测 ,结果表明 ,网络具有很好的自适应预测性能.     

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。     

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。     

基于动态混沌神经网络的预测研究——以马铃薯时间序列价格为例

针对农产品价格波动的非线性特征明显、传统时间序列方法在预测农产品价格短期波动存在不足等状况,本文将混沌理论和神经网络技术应用到农产品价格短期预测研究中,充分利用相关技术优势,设计了动态混沌神经网络时间序列预测模型.在此基础上,选取2008年1月21日-2012年7月1日的中国马铃薯日度价格为研究对象,对所构建的动态混沌神经网络时间序列预测模型进行学习、训练和测试,并用统计分析方法对模型性能进行评价与分析,最后,将所构建模型的预测结果与传统预测方法预测出的结果进行比较研究.结果显示:整个动态混沌神经网络结构为27-12-1,所设计的基于动态混沌神经网络的马铃薯价格时间序列预测模型在预测精度和性能上较ARMA模型均具有明显优势,这一预测模型在农产品价格时间序列短期预测研究上将具有广阔的应用前景.     

基于专家知识的模糊时间序列预测模型及应用

将投资专家的成功经验引入模糊时间序列模型,实现股票市场走势的多步预测。根据专家经验构造多个反映市场结构特征的变量并将其模糊化为模糊时间序列;建立具有多前件、高阶模糊关系的模糊时间序列预测模型;最后,将该模型用于股票指数预测。结果表明,与经典模糊时间序列模型相比,其预测精度有了较大提高。     

Prediction and analysis of chaotic time series on the basis of support vector

Based on discussion on the theories of support vector machines （SVM）, an one-step prediction model for time series prediction is presented, wherein the chaos theory is incorporated. Chaotic character of the time series is taken into account in the prediction procedure; parameters of reconstruction-detay and embedding-dimension for phase-space reconstruction are calculated in light of mutual-information and false-nearest-neighbor method, respectively. Precision and functionality have been demonstrated by the experimental results on the basis of the prediction of Lorenz chaotic time series.     

一种飞行数据预测方法

为了解决实际飞行试验中机载系统与GPS采样率频率相异,难以对飞行状态实时估计和性能导航进行计算等问题,通过对GPS进行预测来对数据统一化处理.如果机载系统采样频率是GPS的整数倍且GPS输出时间对应于机裁系统采样时刻,给出了一种基于模型的预测方法.对于一般情况,采用了时间序列的混沌多项式预测模型,对实测数据进行相空间重构的基础上,选取最优邻近点进行预测.实际飞行试验数据分析结果表明,给出的预测方法是有效的.     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

基于RBF网络的混沌时间序列的建模与多步预测

提出将RBF神经网络应用于混沌时间序列的建模与预测中 ,设计了一个三层RBF网络结构 ,说明了RBF网络用于混沌时间序列建模和预测时的基本性质。仿真结果表明 ,RBF网络模型对混沌时间序列有比较强的拟合能力和比较高的一步及多步预测精度。采用RBF网络进行混沌时间序列的建模和预测能够取得比其它方法好得多的效果。     

基于粒子滤波优化的滚动式时间序列多步预测

针对复杂的应用环境下,时间序列建模不易准确,多步预测精度不高的问题,提出基于粒子滤波（particle filter, PF）优化的滚动式时间序列（roll time series, RTS）多步预测算法(PF_RTS)。采用Box-Jenkins方法对时间序列滚动自适应建模,所建模型作为粒子的状态转移方程,利用粒子滤波算法实时动态修正预测数据,逼近状态的最优估计。本文算法具有自学习能力,适合实时应用。仿真结果表明,本文算法需要的先验知识少,提高了预测的精度。     

基于神经网络的混沌系统状态预测

在对混沌时间序列的未来状态进行预测时,必须能够正确确定重构序列相空间时的最优时滞及最优嵌入维数,并根据序列状态的变化选定适当的模型进行预测。利用时间序列的自相关函数来确定时滞τ值,利用混沌序列嵌入维数与关联维数的关系来确定最优嵌入维数m值。在此基础上,选择神经网络模型来逼近真实系统,并采用一种新的算法来确定网络权重。最后,通过Logistic映射所产生的时间序列对所述理论进行了实证研究。     

混沌系统可预测尺度研究

着重讨论了混沌系统未来状态预测的“长期”与“短期”问题。混沌系统的初始状态敏感性决定了其不可长期预测性。但在短期内对混沌系统的运动作出准确预测还是可能的。基于此，给出了混沌时间序列的平均可预测尺度及最长可预测尺度，以此来界定短期预测的时间范围。最后利用Logistic映射以及Henon映射产生的混沌时间序列对上述理论进行了实例骓证，得到了较为理想的结果。