混沌时间序列的多重分形维数谱

仅用一个分形维数来刻画混沌时间序列是不够的，必须用多重分形维数谱来描述混沌时间序列在不同层次的奇异测度，不同文献对沪指和深指的分形维数的计算结果相差甚大，其深层次的原因是混沌时间序列的多重分形维数谱的存在。本文对混沌时间序列多重分形维数的信息谱、奇异谱、动熵谱等问题进行探索，并简介其应用。     

混沌投资时间序列的分形维数谱的异变

混沌投资时间序列的分形维数谱的异变有广泛的应用．在文[1]的基础上，该文探讨混沌投资时间序列的分形维数谱的静态异变和动态异变，获得五个有用的定理．     

混沌投资时间序列的分形维数谱的相变

利用与热力学的相变理论进行类比的方法，对混沌投资时间序列的分形维数谱的静态相变和动态相变及其应用进行了探讨和介绍．     

投资时间序列的混沌分维研究

以某市固定资产投资同比增长数据为根据,利用混沌动力学中的相空间重构技术、幅值谱分析、庞加莱截面等方法进行分析,并计算其关联分维,得出其饱和嵌入维数为5、关联分维约为17,初步确定某市固定资产投资增长过程具有混沌特性,有5个因素影响着某市固定资产投资的同比增长幅度,其中2个因素起决定作用·该法可用于复杂的经济系统的分析研究·     

混沌时间序列控制方法研究

分析了混沌控制的任务、目标和一般方法,认为混沌时间序列源于混沌系统,用系统的观点讨论了一种对混沌时间序列进行控制的最小参数扰动方法及其步骤。     

金沙江流域月径流时间序列的混沌分析

在介绍重构相空间技术的主要定量指标(关联维数D2和柯尔莫奇诺夫熵)的基础上,以长江上游金沙江流域小黄瓜园站和蔡家村站的月径流时间序列为例详细说明了求取时间序列中的混沌特征数的方法;并且采用主分量分析(PCA分布)方法进一步验证了两个站的径流序列具有混沌特性.得到金沙江流域径流序列的预测年限不应超过7～9个月,为金沙江流域径流预测提供了科学的依据.     

电力系统短期负荷的混沌时间序列预测

电力系统短期负荷预测在电力系统的调度和管理中起着重要的作用,已有研究证明了电力短期负荷是一非线性动力系统,负荷时间序列是混沌时间序列.文章讨论混沌时间序列的相空间重构技术,并以实际电网为例重构了该电力系统的相空间,最后采用Elman递归神经网络对负荷时间序列进行仿真预测,预测结果表明采用该方法能取得较好的预测效果.     

混沌时间序列可预报时间长度分析

摘要：以经典混沌序列——Henon映射序列为例,对不同长度、不同噪声水平的序列进行了预报试验．结果表明：(a)纯净序列,序列越长,预报精度越高,同时预报精度衰减速度随之减慢,并且,当序列足够长时,即使较长预报步长的多步预报,仍可取得相当高的预报精度;(b)含噪声序列,其预报精度随步长的增加迅速地呈指数衰减,并且,序列长度基本上不会对预报时间长度产生影响,但噪声水平对可预报时间长度有一定影响,噪声水平越高,可预报时间长度越短．因此,不明确可预报的标准、不考虑序列长度、噪声水平等因素的影响而简单地以最大Lyapunov指数的倒数定义最大可预报时间长度,是不可取的．同样,根据最大Lyapunov指数推断水文过程的可预报时间长度也是不合适的．     

基于最速下降的混沌时间序列参数估计和滤波

提出了从被加性高斯白噪声污染的混沌时间序列中同时估计混沌系统参数和滤除序列噪声的新方法．并假定产生非线性时间序列的模型已知,但相应的参数未知．这种新方法把对混沌时间序列的参数估计和滤波看作是一种最小化过程,并利用了最速梯度下降方法解决．数值模拟实验表明,新方法要优于现有的方法,是估计混沌系统参数和滤波的一种有效方法．     

基于混沌时间序列法的瓦斯涌出量预测

利用相空间重构技术,并借助C-C方法和小数据量法从一维瓦斯涌出量时间序列中提取最大Lyapunov指数。结果表明：最大Lyapunov为0.28126的瓦斯浓度时间序列具有混沌特性,且在短期内,预测结果与实际情况符合较好。     

基于奇异谱分析的混沌序列降噪

基于奇异谱分析的基本思想，提出一种降低混沌信号中噪声的算法及一种基于噪声奇异谱特性的最佳重构阶次选择方法．对一个混沌时间序列进行奇异谱分析，得到各主分量和经验正交函数，选择合适阶次重构信号，即可得到降噪后的混沌时间序列．数值仿真证实了该算法的有效性．     

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．     

混沌时间序列神经网络拓扑结构的选取方法

采用３层前向神经网络描述混沌时间序列的动力学模型,给出了该网络拓扑结构的确定方法。以及使网络泛化误差达到最小为依据确定网络的输入节点和隐含节点个数。仿真结果表明：该方法不仅优化了网络的结构,而且大大减少了网络的泛化误差。     

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.     

一种基于小波网络的混沌时间序列判定

在对混沌时间序列与随机序列的不同特征进行分析的基础上,提出一种可对二者予以区分的判定算法.并结合具有优异特性的小波函数,构造一种小波神经网络.最终给出基于小波网络的集成的混沌时间序列判定-预测算法.     

基于BP神经网络的混沌时间序列预测方法及应用研究

神经网络在时间序列的预测中得到广泛的应用,但神经网络模型的输入层神经元个数的选取仍然没有一个明确的解析式来表达.为解决这个问题,在非线性动力系统中,根据混沌理论重构相空间,通过最大Lyapunov指数判定时间序列是否存在混沌现象,存在则通过G-P算法计算出混沌吸引子的关联维数,进而获得相空间的嵌入维数作为神经网络的神经元个数.通过上述方法对铝现有价格进行建模,验证该方法对时间序列的短期预测有较好的精度,在此基础上,对未来一段时间铝价格进行预测.