基于混沌算子模型的人口数据序列预测

采用混沌算子预测模型对我国人口出生率、死亡率、自然增长率以及人口总数等数据进行预测分析.多个基本混沌算子单元通过加权和的形式构成预测模型.利用已知的人口数据组成预测网络的训练样本,根据网络预测值与期望值之间的误差,调节各混沌算子参数来减小误差,以此改变预测模型的动力学特性,使之逐渐与被预测系统的动力学特性相一致,从而完...     

基于混沌理论的短时公交到站时间预测

为分析公交到站数据的混沌特征及可预测性,选用运行在非公交专用道上连续6日的单线公交到站实测数据,利用能够应用于工程实践的混沌判别手段和预测方法对数据进行分析.结果表明:公交单日到站数据均具有混沌特性,且在工作日和休息日均具有该特性,同时公交多日到站数据同样具有一定的混沌特性证实了混沌特征在公交到站数据中的存在.可见基于混沌理论的预测方法能够对公交到站延误和站点停靠时间的多日数据进行有效预测.     

网络数据包到达速率的混沌特性分析及其短期预测

本文利用关联维法分析了以太网数据包到达速率数据的混沌特性，在此基础上，结合相空间重构技术，利用混沌时间序列的局域一阶预测法对其进行了预测，预测结果表明该混沌预测方法能够对网络数据包到达速率取得很好的预测效果．这为进一步研究网络流量提供了基础，也为网络数据包到达速率具有混沌特性提供了新的依据．     

混沌动力学模型在我国能源生产预测中的应用

根据能源系统的复杂性以及我国能源生产的实际情况，将混沌动力学原理与经济原理相结合，建立能源生产函数的哈维尔摩模型，并通过分析该模型的混沌动力学特性，证明利用该模型研究能源系统的生产情况是适合的，利用该模型对能源生产预测是可行的。通过与其他传统的预测方法相比较，进一步证明用混沌动力学模型进行预测优于其他预测方法，文中又运用该模型对我国能源生产总量作短期预测，分析未来能源生产发展趋势，为我国的能源局长战略提供可靠的科学依据。     

并网型大型风电场风力发电功率-时间序列的混沌属性分析

为了合理调度大型并网型风力发电系统中的供电系统,降低供电系统的旋转备用容量和运行成本,对风力发电容量进行预测.利用非线性动力学的理论方法对并网型风力发电系统的发电容量-时间序列进行分析,以检验其是否存在混沌属性.通过对风力发电容量-时间序列进行低维非线性动力学建模,分析该时间序列呈现的混沌特性,该结果为基于混沌时间序列的风力发电容量预测奠定了基础.     

积单元神经网络预测噪声环境的混沌时间序列

用人工神经网络预测噪声环境的混沌时间序列是一个重要的问题,因为许多实际的时间序列数据都是含噪声的.提出一种利用积单元神经网络(PUNN)预测噪声环境的混沌时间序列的方法,它采用了粒子群优化器(PSO)训练PUNN网络.用所提方法对Lorenz混沌序列做了仿真实验,结果表明所提方法结构简单、泛化能力强,是一种有效的方法;当PUNN网络的输入节点数目为2或3时,预测精度更高,而且泛化能力也更强.     

一个经济时间序列的混沌特性研究

为了找出经济波动的内在动态特征,采用非线性的分析方法探讨了某市用电量波动中存在混沌动态特性的可能性.以实测经济时间序列为研究对象,以某市近年来的实际用电量数据为基础,利用相空间重构技术、幅值谱分析、庞加莱截面等方法分析其内在特性,并计算其关联分维,得出其饱和嵌入维数为7,关联分维约为0.834,初步判定该市用电量是混沌的.从理论上证明了该市用电负荷具有严格混沌动态特性,从而为今后的深入预测研究提供了混沌理论基础.     

分子高激发振动态的经典非线性性质

该文阐述如何运用经典非线性力学的概念,来理解分子高激发振动态的谱学性质.内容包括:莫尔斯振子,单摆的动力学和共振的关系,力学体系的构成单元是单摆,一个共振对应于一个守恒量,混沌,共振的重叠导致混沌的产生等.我们的出发点是运用二次量子化算子构成的代数哈密顿量,经由海森伯对应而得到的陪集空间上的动力学体系.从此哈密顿量,可以得到动力学势.而动力学势和经典的不动点关系密切,并且量子态就处在由动力学势所包围,分成的几个量子环境中.从动力学势,可以依据它的对称性,方便推得局域模式的存在,最后我们利用这些非线性力学的概念,来分析DCO分子高激发振动态的解离问题.     

基于Adomian分解法的分数阶Lü混沌系统的动力学分析及数字实现

基于Adomian分解方法,研究了一类分数阶Lü混沌系统.从系统的分岔图、基于谱熵(SE)算法和C0算法的系统复杂度、吸引子相图等数值仿真分析研究了0.9阶次Lü混沌系统丰富的动力学特性.又基于Adomian分解法,利用数字芯片TMS320F28335DSP中设计了程序以及外围硬件电路,实现了分数阶Lü混沌系统.最后,通过示波器观察DSP数字电路输出结果与理论分析结果相一致,从而进一步揭示了分数阶混沌系统的动力学特性.     

混沌理论与极限学习机的网络流量预测

提出一种混沌理论和极限学习机的网络流量预测模型.首先对网络流量时间序列进行小波分解得到不同分量,然后采用混沌理论对各分量进行相空间重构,并利用神经网络中的极限学习机进行建模,得到各分量的预测结果,最后采用对分量的预测值进行叠加组合,并采用具体网络流数据集进行模拟测试.相对于其他模型,混沌理论和极限学习机的网络流量预测模型能准确地反映网络流量的变化特性,获得更高精度的预测结果.     

基于回声状态网络优化的宽间隔混沌跳频码预测研究

传统宽间隔混沌跳频码预测方法无反馈结构,记忆能力差;且训练过程烦琐,泛化性能差,对预测精度产生不好的影响。为此,提出一种新的基于回声状态网络优化的宽间隔混沌跳频码预测方法。设计回声状态网络,其由输入层、递归层以及输出层三个部分构成。在递归层内部各神经元间引入连接权值稀疏矩阵,使递归层内部存在动态记忆。回声状态网络储备池规模、储备池内部连接权谱半径、储备池稀疏度、储备池输入单元尺度对宽间隔混沌跳频码预测准确性产生不同的影响。通过和声搜索方法对四种储备池参数进行优化,实现回声状态网络的改进。确定优化回声状态网络输入输出数据,建立优化回声状态网络。确定储备池参数,通过训练数据激活储备池,计算回声状态网络输出连接权矩阵,对宽间隔混沌跳频码进行预测。实验结果表明,所提方法预测结果可靠,和其他方法相比有很高的预测精度。     

激光水下目标探测中混沌背景信号重构的研究

对激光水下目标探测中混沌背景信号的重构问题进行了研究．讨论了混沌时间序列的动态特性，并实际计算了激光水下目标探测中混沌背景信号的时延、混沌维数等有关特征参量．在阐述神经网络重构时间序列模型机理的基础上，提出用神经网络局部预测法重构水下目标探测中混沌背景信号，最后在成功地重构出混沌背景信号的条件下，利用预测误差检测到水下目标探测中的有用弱信号．实验结果表明这种方法是比较有效的．     

高频数据下基于LSTM的协方差矩阵预测模型

协方差矩阵的建模与预测,对于金融风险管理、投资组合管理等至关重要。 针对时间序列模型 对高维变量预测精度较低的问题,利用长短记忆神经网络模型(LSTM),提出了基于深度学习的高频数据已 实现协方差矩阵预测模型。 利用金融高频数据得到已实现协方差矩阵,对其进行 DRD 分解,针对相关系数 矩阵 R 进行向量化处理,利用向量异质自回归模型(HAR)预测已实现相关系数矩阵 R;针对已实现波动率 矩阵 D,利用半协方差(semi covariance)思想,结合 LSTM 模型,得到已实现波动率矩阵 D 的深度学习预测模 型,构建了 LSTM-SDRD-HAR 已实现协方差矩阵动态预测模型。 LSTM 模型和 HAR 模型能捕捉实际数据 的长期记忆性,半协方差有利于捕捉金融数据的杠杆性。 实证分析表明:相较于传统向量 HAR 已实现协方 差矩阵预测模型,LSTM-SDRD-HAR 预测已实现协方差矩阵更为准确,基于 LSTM-SDRD-HAR 预测已实现 协方差矩阵构造的有效前沿组合投资效果更佳。     

基于RBF神经网络的混沌背景下瞬态弱信号检测

针对海杂波背景下瞬态弱信号检测的问题,采用海杂波混沌模型,基于神经网络重构混沌序列相空间,提出了基于RBF神经网络预测混沌时间序列和瞬态弱信号检测方案。理论分析和仿真结果表明这种方法能够有效实现混沌背景噪声中瞬态弱信号的检测。     

基于径向基函数的海杂波时间序列预测方法

介绍基于混沌理论的海杂波分析方法,依据加拿大McMaster大学IPIX雷达实测海杂波数据,按照TAKENS的嵌入定理,设计了混沌预测器.预测器采用径向基函数神经网络重建海杂波的混沌动力系统,即建立海杂波的精确预测模型.实验表明,基于径向基函数的混沌时间序列预测器精度完全能够实现单步预测功能.学习误差为0.0232,预测误差为0.0277.     

基于最大Lyapunov指数的网络业务流量预测

在高速网络资源分配与拥塞控制研究中,网络业务流量的预报是一个具有重要意义的课题.基于准确的业务预报,网络管理和控制方案更易于适应业务流量的动态变化,从而达到优化网络性能的目的.而高速网络中大量存在着以自相似性为特征的多种业务流量.已有研究表明,这种自相似特性与混沌现象的吸引子有着紧密的联系.笔者利用混沌时间序列的重构相空间方法,对高速网络中自相似信源的速率做出了预测,并给出了最大可预报时间.该方法的预测模式简单,仿真结果表明,预测的精度也比较高.     

唐山矿瓦斯涌出量动态预测模型

为了提高瓦斯涌出预测的准确性,采用BP型神经网络,利用BP型神经网络自学习、自组织和自适应等特性,在MATLAB环境下构建瓦斯动态预测模型.通过对唐山矿瓦斯信号实时监测数据的分析,对瓦斯动态预测模型进行训练和测试.结果表明,该模型的预测速度快、精度高,可以实现对工作面瓦斯涌出的动态预测,并能综合判断工作面所处地点的安全状况以及前方的潜在的危险性.     

一种基于动态更新神经网络的无监督雷达退化故障预测方法

为了克服传统雷达故障检测方法对专家经验依赖性强、耗费大量人力物力、容易造成过度检修、无法对退化故障进行提前告警等缺点，提出了一种基于动态更新神经网络的无监督雷达退化故障预测方法。首先通过微波测量设备采集峰值功率和工作频率历史数据，其次利用动态更新神经网络对历史数据进行动态更新并预测后续数据，最后采用孤立森林方法对预测数据进行无监督故障检测，以此实现雷达退化故障预测并提前告警。结果表明，本文提出的方法可至少提前10个时间步(100 min)预测退化故障并实时告警，能够在小样本、无故障样本、无特征提取、无人工阈值的情况下实现雷达退化故障预测。