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。     

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。     

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。     

利用0-1测试快速识别交通流时间序列中的混沌

交通流时间序列混沌识别的方法主要有最大Lyapunov指数法、关联维数法和替代数据等方法,但这些方法需要对交通流时间序列进行相空间重构。引入一种新的判别交通流时间序列混沌特性的方法——0-1测试方法,该方法不需要对时间序列进行相空间重构,因而方便对交通流时间序列中的混沌现象进行快速检测。首先利用Logistic映射产生的时间序列对该方法的有效性进行了检验,随后又选用两组不同的实测交通流时间序列利用0-1测试进行了混沌检验。研究结果表明:在两组交通流时间序列中都存在混沌成分,而在其中一组数据中还存在随机成分。     

局部投影去噪的一种改进的邻域选取方法

针对局部投影去噪方法的邻域选取问题,分析了选取邻域点的准确率对去噪结果的影响.结合奇异谱分析技术,提出了一种改进的邻域选取方法.该方法对含噪声的相空间进行奇异值分解,利用较大奇异值对应的主分量重构相空间,在重构后的空间中寻找邻域点,以提高选取的邻域点准确率.用改进后的方法对含噪声的Lorenz序列及太阳黑子月观测值序列进行仿真,仿真结果表明该方法能够有效地提高选取的邻域点的准确率,进而改善局部投影方法的去噪效果.     

非线性时间序列定性相空间推理方法研究

提出一种基于定性仿真的非线性时间序列重构相空间的方法,定性相空间推理是其关键一步。通过时间序列定性状态的抽象来裁减其状态空间,规约行为轨迹,重构其定性相空间图。用3变量Lorenz系统产生的数据流对算法进行验证,结果表明能够保留原始相空间图的几何形状和拓扑关系,捕捉到相空间图中存在的行为轨迹的特征。     

股市预测中的小波神经网络方法

首先论述了股市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 ,利用混沌的确定性可以进行短期预测 .混沌时间序列预测首先要重构相空间 ,接着充分利用小波变换时频分析的局部化特性 ,提出了一种改进的小波网络结构 ,探讨了股市预测模型问题 .经实例验证 ,该方法能有效地提高预测精度 ,避免了人工神经网络模型和指数自回归的固有缺陷 .     

基于关联度的高嵌入维混沌预测方法研究

由于现有的采用欧氏距离确定相空间最邻近点的混沌预测方法对高维混沌时间序列预测的效果不太理想 ,因而首次提出以关联度代替欧氏距离来确定相空间最邻近点的思想。通过对水文径流序列预测的验证 ,在嵌入维数逐渐增大时 ,采用所提方法比现有的方法在预测精度方面有明显的提高     

水下体目标回波空间方位特性仿真研究

分析并给出了水下尺度目标回波的亮点结构模型和稳态反射亮点与随机散射亮点数字时间序列生成方法。提出了一种利用布放在消声水池中的弧形阵同步发射经时变投影矩阵加权变换的多亮点声波时间序列来仿真水下体目标回波特性的方法。将该方法应用于实现自导仿真试验系统,仿真试验结果表明该方法能够较好地模拟目标空间尺度,除了能够模拟普通靶标的多亮点延迟重发,还具备模拟包括平滑连续、阶跳及其组合等在内的复杂目标空间方位变化的能力,并能够用于水下航行体制导系统的半实物仿真。     

面向入侵检测系统的Deep Belief Nets模型

连续的网络流量会导致海量数据问题,这为入侵检测提出了新的挑战。为此,提出一种面向入侵检测系统的深度信念网络(deep belief nets oriented to the intrusion detection system, DBN-IDS）模型。首先,通过无监督的、贪婪的算法自底向上逐层训练每一个受限玻尔兹曼机(restricted Boltzmann machine,RBM)网络,使得大量高维、非线性的无标签数据映射为最优的低维表示；然后利用带标签数据被附加到顶层,通过反向传播(back-propagation,BP）算法自顶向下有监督地对RBM网络输出的低维表示进行分类,并同时对RBM网络进行微调；最后,利用NSL-KDD数据集对模型参数和性能进行了深入的分析。实验结果表明,DBN-IDS分类效果优于支持向量机(support vector machine,SVM)和神经网络(neural network，NN),适用于高维、非线性的海量入侵数据的分类处理。     

基于相异度核空间的支持向量机算法

提出基于相异度核空间的混合流形学习与支持向量机(SVMs)算法用于解决高维数据分类问题. 该算法使用SVMs对流形学习降维后的低维嵌入做分类.通过加常数方法构造了衡量数据点相异度的特征空间. 证明了该特征空间不仅能够衡量数据点之间的相异度,还满足Mercer条件对于支持向量机分类核空间的半正定性的要求. 在仿真实验中,采用UCI机器学习数据库上标准分类数据集为样本. 对比构造的相异度核空间与常用核函数如线性核、多项式核、高斯核在支持向量机分类时的 分类精度来验证有效性和优越性.     

基于降维和聚类的大规模多目标自然计算方法

在多目标优化问题中，随着决策变量数目增多，算法的寻优能力会显著下降，针对这种“维数灾难”的问题，提出基于LLE降维思想和K-means聚类策略的大规模多目标自然计算方法。首先通过LLE降维思想对决策变量进行优化，得到高维变量在低维空间中的表示，再通过K-means策略对个体分组，为种群选择合适的引导个体，提高算法的收敛性和多样性。为验证算法有效性，将该方法应用于多目标粒子群优化算法和非支配排序遗传算法中，对收敛性进行了分析，证明该算法以概率1收敛。通过ZDT、DTLZ系列8个测试问题进行仿真试验，与6个代表性算法进行对比，通过PF、IGD指标、HV指标的评价结果验证其综合性能，并将其应用于水泵调度问题中。综合实验结果表明，所提方法具有较好性能。     

PP K-MEAN CLUSTERING

In this paper, we propose a dimension-reducing, K-mean clustering procedureby Projection Pursuit (PP) technique so as to explore the clustering structure of data inhigh-dimensional space in terms of low-dimensional projective points of data, and we obtainthe a.s. consistence of the estimates of the cluster centers and projection orientations.     

Study on the expression of systematic Lyapunov exponent based on UPOs

The natural measure of a certain area in phase space is defined firstly. On the basis of natural measure, the expression of Lyapunov exponent based on unstable periodic orbits (UPOs) of chaotic systems is deduced from theoretical aspect. Then, by means of the inherent relation between UPOs and systematic Lyapunov exponent, the transitional mechanism and route of chaotic systems from low-dimensional chaos to high-dimensional chaos are explained. In the end,a novel method for computing systematic Lyapunov exponents based on UPOs is proposed. Its computing procedure is also summarized. The chaotic system described by Henon map is taken as example. Through calculating the Lypunov exponents of this system, validity of the suggested method is verified.     

基于关键姿态映射的运动重定向

提出一种基于关键姿态映射的运动重定向方法,实现不同角色之间运动序列的快速映射。首先,对源运动数据降维,在低维空间中做聚类分析,提取关键姿态;其次,参数化运动序列,计算运动权值;最后,自动求解目标角色的关键姿态,结合运动权值重构目标角色的运动。实验结果表明,该方法较为完整的保留了源运动序列的特征,且重定向得到的运动较为平滑自然。     

基于自适应聚类流形学习的增量样本降维与识别

为了解决局部线性嵌入(locally linear embedding, LLE)流形学习算法无法自适应确定重构区间和不能进行增量学习等问题,提出了一种自适应聚类增量LLE(clustering adaptively incremental LLE,C-LLE)目标识别算法。该算法通过建立高维非线性样本集的局部线性结构聚类模型,对聚类后的类内样本采用线性重构,解决了LLE算法样本重构邻域无法自适应确定的问题;通过构建降维矩阵,解决了LLE算法无法单独对增量进行降维和无法利用增量对目标进行识别的问题。实验表明,本文算法能够准确提取高维样本集的低维流形结构,具有较小的增量降维误差和良好的目标识别性能。     

基于改进PCA的导弹装备健康表征参数提取方法

针对导弹装备健康状态信息复杂且相互交融、健康表征参数难以提取的问题,提出一种基于改进主成分分析(principal component analysis, PCA)的装备健康状态低维敏感表征参数的确定方法。该方法先开展装备扩展故障模式及影响分析,构建初始高维特征参数集,再利用改进PCA对参数集进行降维处理,在最大化高维表征参数全局特征方差的目标下,提取出非线性表征参数子集。将该方法应用到导弹舵机健康评估实验中,使用故障注入模拟设备进行验证。结果表明,采用所提方法提取的健康表征参数对舵机健康状态识别准确率高,说明所提方法在提取导弹装备健康表征参数中具有明显的优越性。     

证券市场的非线性和确定性检验

以上海证券市场综合指数、香港恒生指数、台湾加权指数和美国标准普尔500指数为研究对象,对这些时间序列进行平稳化处理,对处理后的数据利用R/S分析法、BDS法和替代数据法进行了非线性检验,得到4个证券市场时间序列的波动呈非线性性的结论。进一步利用递归图方法从定性的角度和利用非线性不变量从定量的角度对4个证券市场时间序列的确定性进行了相应的分析,得出它们具有一定的确定性结论。