中国股票市场的非线性确定性预测

运用混沌动力学理论对上证综合指数进行非线性建模预测,首先相对于传统的取对数后相减的消除趋势方法采用对数线性去趋势方法,其次,用延迟重构技术计算得到嵌入维数和延迟时间间隔,预测结果表明所采用方法无论用局部线性预测法,还是用局部常数预测法或神经网络预测法都能更好地对股价指数进行预测,并初步推测了预测效果得到改进的原因.     

混沌时间序列局域线性预测方-法

在许多场合下,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．混沌系统对初值的极端敏感性使之不可能对其时间序列进行长期预测,然而,利用混沌的确定性可以进行短期预期．混沌时间序列预测首先要重构相空间,接着再利用非线性函数逼近方法构造一个动力学系统模型．探讨了预测模型问题,并用数值分析的方法对Ｆａｒｍｅｒ＆Ｓｉｄｏｒｏｗｉｃｈ,Ｌｉｎｓａｙ和Ｎａｖｏｎｅ＆Ｃｅｃｃａｔｏ提出的三种典型混沌时间序列局域线性预测方法进行了研究．实验结果表明,这三种方法的性能是相同的．本文的结果将平息人们对这三种方法优劣的争论,有利于在实际中选择合适的预测模型．     

1.8kb/s多带线性预测编码算法设计

设计了一种多带线性预测编码(MBLPC)语音压缩算法，该算法结合正弦编码和线性预测编码的优点，对语音信号的包络谱用线性预测编码方法进行估计．而对激励谱用多带方式进行处理．改进了特征参数的提取和量化方法，包括基于谐振结构的基音检测算法、基于谐振结构的线性预测分析以及包络谱参数的线性预测多层分裂码本矢量量化．非正式主观测试表明，在1．8kb／s编码速率下，由MBLPC算法所重建语音的平均意见分为3．0，而清晰度指标约为91％．     

电力系统短期负荷预测方法研究

采用混沌理论进行电力系统短期负荷预测，对利用Lyapunov指数算法进行负荷预测作了介绍，包括用混沌理论实现相空间的重构，以及通过计算关联维得到最优嵌入维数的方法、计算Lyapunov指数的方法和利用Lyapunov指数得到预测负荷数值的过程．实例预测结果，证明了算法的有效性，揭示了采用混沌理论进行短期负荷预测的优越性。     

基于神经网络的永磁同步电机广义预测控制

介绍了一种基于神经网络的永磁同步电机矢量控制系统的广义预测控制方法.通过分析永磁同步电机数学模型,采用带有延时结构的多层前向神经网络作为预测模型,进行非线性广义预测控制.控制算法是基于非线性激励函数的局部线性思想,将预测模型处理成线性和非线性两部分,并用线性预测控制方法求得控制律,简化了计算.仿真结果表明,利用该法建立的永磁同步电机调速系统,具有良好的控制效果.     

基于混沌吸引子的压气机失速分析

采用基于混沌理论的非线性动力系统分析方法,进行压气机压力信号时间序列分析,重构了系统的相空间,从几何角度研究系统状态变化,计算出压气机系统的最大李雅普诺夫指数为正值,由此判断系统中存在混沌,基于某型发动机节流实验中压气机失速数据,将改进的混沌吸引子预测方法与局部线性化预测方法对比,分析表明新方法可减小误差9%。     

基于混沌理论的临修设备预测技术

对机械设备的运行状态、维修周期的正确预测有助于避免恶性事故的发生，并能节约维修费用。针对临修设备具有混沌特征及用一般方法难以预测其维修时间的问题，将振动数据作为设备运行状态评判指标，以相空间重构理论为基础，利用相空间近邻等距法和相空间线性模式回归两种算法，对混沌吸引子数据和临修设备振动数据进行了预测。结果表明，用混沌方法预测的混沌吸引子数据与临修设备振动数据可以进行良好的拟合，从而可对临修设备的运行状态做出正确的评估。混沌方法为预测临修设备的维修时间提供了一种有效的手段，与其他预测方法相结合，可实现设备运行状态的全过程预知，从而全面提高设备管理水平。     

基于我国股市混沌行为的预测分析

时间序列中的随机性蕴涵着非线性确定性系统混沌行为，混沌系统对初值的极端敏感性使之不可能对其进行长期预测，然而，在判定时间序列混沌行为的基础上运用局域法对我国股市进行了短期预测，并指出在计算关联维数时存在的问题，得到了较好的结果．     

《基于神经网络的混沌时间序列分析与预测》项目通过市教委结题

2008年3月11日,在我校召开上海市教委科技发展基金项目《基于神经网络的混沌时间序列分析与预测》结题会,结题会由学校科学技术处主持,项目负责人孙海云教师代表项目组作项目研究报告。项目研究了相空间重构技术、Lyapunov指数等混沌理论及判定方法,探讨了基于相空间重构的局部线性映射酸法在非线性时间序列降噪技术中的应用,提出了通过计算降噪前后时序信号的关联维数作为评判降噪效果的工具,建立了判断该类时序信号降噪水平的方法。研究进一步将BP神经网络模型引入到混沌相空间,利用此方法预测结果比传统方法预测误差小,精度高,更能反映时间序列的变化趋势。结题专家组听取了项目研究报告和认真审阅有关结题材料后,一致同意通过结题。《基于神经网络的混沌时间序列分析与预测》项目通过市教委结题     

径流序列的相空间重构神经网络预测模型

在水文水资源领域中引入混沌理论，将相空间重构理论与神经网络理论相结合，提出了径流时间序列预测模型．通过相空间重构，把一维径流时间序列拓展为多维序列，而多维序列可挖掘更为丰富的信息，有利于神经网络的训练．研究表明，利用神经网络建模可以较好地解决非线性问题，使预测更符合实际．以汉江石泉水库逐月平均入库径流序列为例，建立了径流时间序列相空间重构与神经网络耦合预测模型，计算结果表明，模型有较高的预测精度．     

混沌算法神经网络与含噪声时间序列的预测

在前馈神经网络连接权的动力学方程中引进一非线性反馈预后,网络在权空间具有混沌动力学行为：应用这种算法的神经网络对基于Mackey-Glass方程含噪声的时间序列进行在线预测,结果表明网络具有很好的预测性能。     

办公建筑运行能耗的混沌时间序列复合预测

针对办公建筑已有的能耗预测方法中未能考虑到能耗数据的混沌变化特性,提出了一种基于混沌时间序列的办公建筑运行能耗预测方法.对研究对象的时间序列进行相空间重构,判断其具备混沌特性,建立混沌理论和支持向量回归的组合模型进行训练,采用Markov链消除组合模型由于参数传递产生的累积误差,得到最终预测结果.为了验证算法的有效性,以西安某办公建筑的能耗监测数据为例进行实例分析,并与非线性自回归神经网络、支持向量回归等其他预测方法进行对比.实验结果表明,经过Markov修正后的混沌时间序列组合模型预测精度显著提高,预测效果优于其他方法,且更符合办公建筑能耗的变化规律,为节能优化提供有效的数据支撑.     

基于局部模式的话音编码算法

提出了一种新的基于非线性局部模式的信号处理方法,并将其应用于话音编码中,在相同的编码条件下,基于ＮＬＬＰ的编码方案性能好于标准的线性预测编码算法和由线性局部预测模式构成的方案。     

混沌时间序列在边坡位移预测中的应用

根据非线性边坡位移时间序列，运用相空间重构理论，建立了加权一阶局域法边坡位移预测模型、基于Lyapunov指数的边坡位移预测模型、基于神经网络的混沌时间序列边坡位移预测模型，对比分析了三个预测模型的特点。新龙寺滑坡预测研究表明，基于混沌时间序列预测方法具有很好的预测精度和广泛的适应性。     

自相关域线性预测模型及其应用

提出了一种在自相关域对语音信号进行线性预测分析的方法。证明了只要时域信号是一个全极模型信号,则其相应的自相关序列也是一个全极模型序列,且其全极模型是稳定的,具有更好的抗干扰性能。还提出了一种有效地降低这种模型阶数的算法。将这种模型的功率谱作为语音的特征参数,进行中文讲话者识别实验,取得了满意的结果。     

基于线性与非线性模型的海杂波预测

为对海杂波进行准确预测,根据海杂波具有的非线性不确定性,应用线性和非线性预测理论建立预测模型.针对logistic混沌映射信号和IPIX实际海杂波数据背景下的弱目标,分别采取基于自回归(AR)的线性模型、基于径向基神经网络(RBF)和Volterra级数滤波器的非线性模型进行预测.实验结果表明:非线性预测模型更适合于混沌背景下,因其目标和杂波的预测误差相差较大,可采取非线性预测并设置门限的方法进行目标检测;对于IPIX雷达数据,其混沌特性较logistic弱,目标和杂波的预测结果相差不大,可采用似然比检测方法.     

Nonlinearly correlated failure analysis and autonomic prediction for distributed systems

In order to achieve failure prediction without manual intervention for distributed systems,a novel failure feature analysis and extraction approach to automate failure prediction is proposed.Compared with the traditional methods which focus on building heuristic rules or models,the autonomic prediction approach analyzes the nonlinear correlation of failure features by recognizing failure patterns.Failure data are sorted according to the nonlinear correlation and failure signature is proposed for autonomic prediction.In addition,the Manifold Learning algorithm named supervised locally linear embedding is applied to achieve feature extraction.Based on the runtime monitoring of failure metrics,the experimental results indicate that the proposed method has better performance in terms of both correlation recognition precision and feature extraction quality and thus it can be used to design efficient autonomic failure prediction for distributed systems.     

低维混沌时序的预测方法及其应用研究

研究由低维非线性动力系统所产生的混沌时序的预测方法及其应用。通过改进的最小二乘方法来估计模型的参数，并在其相空间中对时序的未来值进行预测。给出了有代表性的实例对本文的模型和算法进行验证。结果发现选取最佳的模型阶数能增加预测的准确程度，且混沌时序不可能进行长期的预测。算例表明本文建议的方法是有效的。     

基于多变量相重构的混沌时间序列预测

提出了一种基于多变量相重构的混沌时间序列预测方法.该预测方法从非线性动力学系统中获取与待预测时间序列相关的信息组成多变量时间序列,首先进行多变量相空间重构,然后利用局域多元线性回归模型在相空间中进行预测,最后从预测出的高维相点中分离出时间序列的预测值.由于考虑了动力学系统中多个变量之间相互耦合的关系,从而增加了重构相空间的系统信息量,使得相空间的相点轨迹更加逼近原系统的动力学行为.与采用单变量进行预测的方法相比,基于多变量相重构的预测方法无论是单步预测还是多步预测,都能有效地提高预测精度,且具有嵌入维数的选择对预测精度影响较小的优点.通过对Lorenz混沌信号进行预测,实验结果验证了方法的有效性.