混沌预测技术在径流预报中的应用

以多条河流的径流时间序列为例详细分析了基于混沌力学的局部预测方法，并与全局方法和基于随机理论的ＡＲ模型等预测方法进行了对比。结果表明，局部预测方法往往优于其他预测方法。     

混沌时间序列预测及在股票市场中的应用

提出一种基于嵌入理论和确定集上的预测误差的混沌时间序列预测方法．该方法不仅克服了仅用延迟嵌入技术的弊端，而且也降低了直接使用预测误差决定模型状态向量的盲目性．实证分析结果表明该方法在实际预测中是有效的．     

遗传算法在经济混沌组合预测中的应用

经济混沌是由确定性的经济系统产生具有随机性的动态行为。虽然经济系统产生的时间序列不具有长期预测性，但在短期内可有较为精确的预测，可以为其建立确定性的预测模型。为了探求经济时间序列中的混沌特性，文中在Wolf提出的相空间重构的基础上，提出了一种基于遗传算法的经济混沌组合预测方法，在该方法中采用自适应并行遗传算法确定组合模型中权系数，这样可以较好地解决传统经济混沌预测大多数都是使用单一模型以至影响了观测精度等问题，最后以实例检验了提出的算法。     

混沌预测在井下瓦斯浓度监测的应用

为了改进矿井瓦斯的实时监测,基于混沌时间序列预测的重构相空间理论,利用瓦斯浓度的时间序列,不直接考虑与瓦斯浓度相关的随机因素,而对瓦斯浓度的历史数据进行分析,建立数学模型(Lyapunov指数模型),并进行预测.实验结果表明:将混沌预测应用到井下瓦斯浓度监测方面是一种切实可行的新思路、新方法,能更有效的保证井下人员和设备的安全.     

混沌时间序列及其在能源系统中的应用

混沌经济时间序列的预测方法研究是混沌经济非线性动力系统的重要内容，笔者利用混沌动力学原理，通过混沌时间序列的相空间重构，运用局域预测方法，建立了预测模型，并用其确立的混沌动力学模型对1991年至1999年全国能源的生产、消费时间序列进行了预测，而且把此预测结果与实际值进行了比较，结果证明误差较小，同时还将此预测结果与常规方法建立的预测模型的预测结果相比，结果表明混沌时间序列建立的模型其短期预测效果更好。     

混沌预测技术在径流预报中的应用

以多条河流的径流时间序列为例详细分析了基于混沌动力学的局部预测方法，并与全局方法和基于随机理论的ＡＲ（ｐ） 模型等预测方法进行了对比，结果表明，局部预测方法往往优于其他预测方法．     

混沌时间序列的预测及其在电力系统短期负荷预测中的应用

在局域预测法的基础上重点分析了一种基于Lyapunov指数的混沌时间序列预测方法,并将这种方法应用于解决电力系统短期负荷分配问题,得到了较好的仿真预测结果.     

基于混沌理论的股票价格实时预测

本文分析了股票的混沌性,根据复杂的股票价格特点,改进了混沌时间序列预测方法中的加权一阶局域法与基于最大Lyapunov指数的预测方法,并将其成功应用于股票价格预测。在数值试验中,对股票价格进行了分析,利用上述两种方法进行了拟合和预测,得到了令人满意的结果,说明这两种方法是可行的,结果是理想的。     

混沌加密算法在森林空间矢量数据中的应用

加密技术是保障数据安全的最主要的手段,矢量数据是森林空间数据中的重要形式之一,结合矢量数据的特点,本文运用一种基于混沌序列的数据加密算法,实现矢量数据的加密。     

加权零阶局域法在网络舆论趋势预测中的应用

采集了某一时段国内某著名网站上针对某一指定话题的帖子,按时间周期构造了一个关于新增帖子数量的时间序列,利用混沌时间序列预测方法中的加权零阶局域预测法预测了该序列的变化趋势.仿真结果表明该预测趋势与实际趋势在短期内是基本一致的;短期预测误差明显小于长期预测误差.     

基于时序数据挖掘的澜沧江流域气象预报系统

 在对澜沧江流域多年气象数据分析研究的基础上,依据气象数据的时序特性,结合数据挖掘中比例规则挖掘技术,实现了一个基于时序数据挖掘的气象预报系统.该系统对澜沧江流域近40年气象数据进行预测实验,结果表明:基于数据挖掘的气象预报系统的研究是对气象预报新路的有益探索.此外,该系统还提供了友好的用户界面和可视化结果展示.     

基于小波神经网络理论的边坡位移预测

研究边坡位移混沌时间序列的预测,利用混沌系统的相空间重构理论,提出基于小波神经网络的边坡位移预测方法.通过计算表明,该方法与其它方法相比可避免误差曲面局部最小,网络节点少,参数确定较为容易,学习效率高,收敛速度快,自适应性强,精度高等优点,为边坡位移预测提供了一种可行的、新的探索途经.     

瓦斯浓度预测的混沌时序RBF神经网络模型

为对煤矿瓦斯质量浓度进行精确预测,针对瓦斯质量浓度的非线性特点,在验证其时间序列具有混沌特性的基础上,建立了基于混沌理论和径向基神经网络的预测模型。将实测瓦斯质量浓度时间序列进行相空间重构得到训练样本,并利用MATLAB仿真软件进行编程预测分析。结果表明,相对误差为0~3%,均方差为0.005 6,预测效果良好。实例验证该预测模型切实可行。     

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。     

基于RBFNN的数据通信业务收入发展预测

数据通信业务收入发展状况受多种不确定因素影响，其预测过程是一个复杂的非线性问题，采用传统预测方法难以逼近复杂的非线性映射关系，其预测误差大．为此根据神经网络的非线性特性，提出一种基于RBF神经网络的数据通信业务发展预测模型，对2006—2011年数据通信业务收入发展进行预测，与BP网络训练结果比较，其收敛速度快，训练精度高，具有较强的鲁棒性和容错性，应用效果显著．     

基于多维泰勒网的自适应混沌时间序列多步预测

提出了一种新的混沌时间序列预测方法——多维泰勒网方法.该方法不以相空间重构方法中嵌入维数和时间延迟这两个关键参数的选取为前提,无需系统的先验知识和机理,仅根据已知的时间序列样本,通过多维泰勒网模型获得n元一阶多项式差分方程组,进而得到能反映非线性系统动力学特性的多维泰勒网动态模型.在此基础上提出了基于多维泰勒网的自适应多步预测方法,通过数据窗口的滑动自适应建模,实现对混沌时间序列的多步预测.将该方法应用于Lorenz混沌时间序列的一步和多步预测,均方误差分别达到2.56×10-5和2.76×10-3.仿真结果表明,该方法可以对混沌时间进行有效预测,且具有较高的预测精度.     

基于单率多点广播数据流的潜在瓶颈链路智能预报

针对单率多点广播数据流传送特点和要求,主要考察在自相似性数据流作用下缓存队列动态特性.运用模糊逻辑推理分析能力和神经网络学习泛化能力,通过引进补偿模糊算子,设计了一类在线无监督学习实时预报补偿模糊神经网络,提出了对单率多点广播数据流网络中潜在瓶颈链路的预报控制策略.并且设计了动态补偿因子,给出了动态补偿因子自适应调节律.仿真实验表明,基于单率多点广播数据流的层次广播树拓扑的潜在瓶颈链路进行智能预报方案是有效的.     

网络态势预测的广义回归神经网络模型

网络态势预测作为网络态势感知的必要环节, 能够加强网络管理员对网络状态的认知与理解,为威胁分析和网络规划提供决策支持。在分析现状以及预测方法的基础上, 讨论了反向传播、径向基、反馈等神经网络模型用于预测的特点与优势,提出了网络态势预测的广义回归神经网络模型GRNNSF, 给出了GRNNSF模型的网络设计原则以及网络态势预测方法。基于真实数据集的实验,验证了GRNNSF模型的准确性和时效性,与其他神经网络模型相比,能更准确地预测网络态势的发展趋势。     

基于组合预测模型的区域政策经济效应评价

针对现阶段区域政策评价存在目标不确定、影响因素难以量化的问题,采用政策实施-投影对比分析法进行政策经济效应评价。首先建立以地区生产总值、地方财政一般预算收入、城镇固定资产投资、社会消费品零售总额及进出口总值为指标的政策经济效应评价指标体系,然后利用熵权法和组合预测模型预测政策实施阶段的经济运行状况,最后构建政策的多指标综合评价模型,并进行评分比较和分析。实例分析表明:黑龙江省东部煤电化基地建设政策具有正效应且效应在逐步增大;该政策在增加城镇固定资产方面效果明显;东部四煤城的发展增长水平高于省级发展水平。该结果为黑龙江省区域经济政策制定和改进提供了有益参考。     

一类基于偏最小二乘回归分析的成分数据预测模型

针对“因变量和自变量都是成分数据的前提下，如何建立它们之间的线性回归”的基本问题，以经典线性回归分析法为基础，结合对称Logratio变换，建立了一种基于偏最小二乘回归分析的成分数据预测模型，并对该模型进行了理论实证分析，论证了该模型的可行性与优良性，从而为解决具有成分数据信息的多重相关变量回归问题提供新的途径．