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。     

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...     

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.     

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.     

基于支持向量机的混沌时间序列预测

支持向量机（SVM）是一种基于结构风险最小化原理的学习技术,是一种具有很好泛化性能的回归方法.针对混沌时间序列特点,提出混沌时间序列预测的支持向量机建模的思路、特点及关键参数的选取.对模型进行了实例研究,结果表明该模型能较好地处理混沌时间序列,具有较高的泛化能力和很好的预测精度.     

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.     

混沌神经网络模型研究

回顾了近年来混沌神经网络模型的研究进展历史.对全局耦合映射（GCM）模型、A ihara混沌神经网络模型和Inoue混沌神经网络模型等模型的构成和特点进行了全面的分析,综述了混沌神经网络的主要应用领域,评述了混沌神经网络的今后发展方向和主要研究内容.     

基于相空间重构的支持向量机方法在径流中长期预报中应用

水文中长期预报对于水资源规划管理、水库及水电站调度具有十分重要的意义.针对常规混沌预测方法的局限性,提出基于相空间重构的支持向量机(SVM)预报方法.该方法首先对径流时间序列进行混沌辨识,然后对其进行相空阃重构,采用基于结构风险最小化的SVM进行径流预报.对于SVM的参数优选问题.以径向基核函数作为核函数,采用混沌交尺度优化方法进行参数寻优.实例表明.该方法优于SVM和人工神经网络(ANN)预报方法.且具有良好的泛化推广能力.     

人口时间序列的支持向量机预测模型

阐述了支持向量机在时间序列预测中应用的理论基础，建立了人口时间序列的支持向量机预测模型．计算结果表明，无论是在拟合过程还是在预测过程，支持向量机方法都具有很高的计算精度．因此，采用支持向量机方法对人口时间序列进行预测分析是可行的．     

GA-SVM对上证综指走势的预测研究

将支持向量机和遗传算法结合,建立了一种智能数据挖掘技术(GA-SVM),并用于对上证综指市场走势进行了探索.在这个混合的数据挖掘方法中,GA用于RBF参数的设定以及特征集的选择,从而智能的找到SVM的最佳参数,减少SVM特征值的复杂度,提高了SVM算法速度.SVM用于判断未来股票市场的走势,并与统计模型、时间序列模型方法、神经网络进行了对比.实验证明,GA-SVM优于其他几种方法,这种方法对于股票上涨或下跌的预测研究是有效的.     

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.     

基于SVM的Internet网络时延分析及预测

针对基于Internet的网络控制系统,采用Socket通信方式构建了网络控制系统的通信平台,在此平台上对网络延时进行了测试.基于时间序列分析方法,对Internet网络延时特性以及延时时间序列的自相关性进行了统计分析;进而提出了基于支持向量机(SVM)的网络延时预测方法.仿真结果证明,和线性预测算法相比,采用支持向量机预测网络延时具有较高的正确率.     

基于混沌粒子群优化小波支持向量机的汇率预测

目前,支持向量机( SVM)常用的参数寻优方法存在易陷入局部极值的缺点,而其常用的核函数的逼近精度也有待提高.基于混沌映射的遍历性与随机性和小波变换的局部分析与特征提取能力,提出了一种混沌粒子群优化小波支持向量机(CPSO-WSVM)的算法,并应用它构建汇率预测模型.实验结果表明,相比传统的粒子群优化高斯核SVM(PSO-GSVM)的算法,CPSO-WSVM算法大大提高了预测的精度和效率,应用效果好.     

Forecasting Financial Distress of Chinese High-tech Manufacturing Companies Based on a Hybrid Model of GA-SVM

Owing to the radical changing of Chinese economy, it is essential to build an effective financial distress prediction model. In this paper, we present a genetic algorithm (GA) approach for optimizing parameters of support vector machine (SVM). We validate the proposed model on datasets of Chinese high-tech manufacturing industry. Experimental results reveal that the proposed GA-SVM model can compare to and even outperform other exiting classifiers. Compared to grid-search algorithm, the proposed GA-based takes less time to optimize SVM parameter without degrading the prediction accuracy of SVM.     

基于多分类支持向量机的网络流量预测方法

 针对支持向量机网络流量预测误差较大的问题,提出一种基于多分类支持向量机的网络流量预测方法。该方法在网络流量数据训练阶段通过数据编码,使多分类支持向量机的输出逼近编码值,在预测阶段通过数据解码,将多分类支持向量机的输出转换为实际的网络流量预测结果,从而有效地降低了预测误差。实验结果显示,该方法的预测结果与实际采集的网络流量数据具有相同的变化趋势;在同等实验条件下,该方法预测结果的均方根误差为0.487,而单一支持向量机方法、BP 神经网络方法预测结果的均方根误差分别为1.0954 和2.3642,表明基于多分类支持向量机的网络流量预测方法具有更高的准确性。     

金融时间序列预测中的GA-SVR方法

针对支持向量机方法在金融时间序列预测的过程中,模型参数选取不当的导致预测精度较低等问题,利用遗传算法优化选取支持向量机模型参数,建立了一种基于遗传算法优化支持向量机参数的金融时间序列预测模型。并将该方法应用于我国上证指数时间序列预测中。实验结果表明基于遗传算法优化的支持向量机方法能较好的反映金融时间序列预测规律,并且提高了模型预测精度。