基于混沌神经网络模型的模糊预测控制及应用

由于混沌时间序列内部确定的规律性，其重构出混沌吸引子的相空间具有高精度短期预测性，为此，本文根据非线性，大时滞系统的时间序列及所得的Lyapunov指数规律，计算出系统的饱和嵌入维数和可预报尺度，并以此为指导，采用混沌神经网络重构混沌时间序列相空间，该混沌神经网络即便在网络输入不完整或发生变异的情况下，仍能对系统作高精度预测，在此基础上，又将预测模型与模糊控制相结合，提出了一种新型的模糊预测控制决策，实现了非线性，大时滞系统高精度的自适应控制，将该控制应用在单元机组负荷控制中，仿真表明该控制具有实时性，容错性和鲁棒性。     

时用水量观测序列的最大Lyapunov指数及其预测时间尺度

在传统wolf最大Lyapunov指数算法的基础上,提出新旧向量转变考虑长度及角度权重搜索的改进wolf计算方法.利用提出的改进算法对杭州市时用水量观测序列的混沌特性及其最大可预测时间尺度问题进行了探讨.为求比较,文中还分别对1小时和24小时两种时间间隔的用水量序列进行了最大Lyapunov指数计算.结果表明:1时用水量系统中存在明显的混沌特性;224时间隔的序列具有长于连续时序列的最大预测尺度.以上两条性质的提出对城市时用水量的较好预测具有其现实意义.     

基于混沌预测的模糊神经网络控制器设计及应用

由于混沌时间序列内部确定的规律性 ,其重构出混沌吸引子的相空间具有高精度短期预测性。根据非线性、大时滞系统的时间序列重构相空间 ,计算相空间的最大Lyapunov指数、饱和嵌入维数和可预报尺度 ,并以此为指导 ,对系统作高精度预测。在此基础上 ,又设计了遗传算法优化的模糊神经网络预测控制器 ,实现了对非线性、大时滞系统高精度的自适应控制。将该控制应用在锅炉过热汽温控制中 ,仿真表明该控制的有效性、准确性和鲁棒性。     

一种广义猫映射混沌系统及其性能分析

为了改进基于猫映射混沌系统的加密算法的安全性，在传统的二维猫映射混沌系统的基础上，蛤出了一种基于广义加法运算的广义猫映射混沌系统，生成的混沌序列具有良好的伪随机特性，同时对生成的广义混沌序列的自相关性和平衡性进行了分析．实验结果表明，应用本文给出的方法生成的广义混沌序列具有较好的随机性、自相关性和平衡性。     

基于混沌-神经网络模型最优控制及应用

由于非线性混沌时间序列内部确定的规律性，其重构相空间具有高精度短期预测性．为此，为了实现非线性、大时滞系统的自适应控制，文章根据具有混沌特性非线性、大时滞系统的时间序列重构相空问，计算相空间饱和嵌入维数、最大Lyapunov指数和系统的可预报尺度，并以此为指导，建立神经网络预测模型对系统作高精度的短期预测；在此基础上，通过反馈校正，将校正误差和控制增量引入性能函数寻优得最优控制决策，实现了对非线性、大时滞系统高精度的自适应预测控制．将该控制决策应用在锅炉过热汽温控制中，仿真表明该控制的有效性、快速性和鲁棒性．     

基于混沌吸引子的时间序列预测

本文提出一种新的时间序列预测技术。对于一个经诊断存在混沌吸引子的时间序列,根据相空间中混沌吸引子的分形等特性,建立依赖于预测点邻界状态的预测模型;综合存在于原时间序列中确定线性趋势的外推结果,实现对原时间序列的短期预测。     

基于稀疏Volterra滤波器混沌时间序列自适应预测

针对混沌时间序列预测问题,提出了一种稀疏Volterra滤波器,该滤波器采用归一化最小均方自适应算法进行多次训练,每次训练只保留滤波系数矢量和输入信号矢量的有效分量进行下一次训练,从而将Volter-ra滤波器的有效滤波系数个数减至最少,降低了预测模型的复杂性。四种混沌时间序列的预测实验表明:该滤波器可同时实现对混沌流和混沌映射的建模与预测,可有效地减少滤波器的滤波系数个数,能在不损失预测精度的前提下,降低预测模型复杂性。     

基于n阶平均发散度的混沌时序可预测尺度研究

深入分析了基于最大Lyapunov指数的混沌时序可预测尺度确定方法,指出了其存在的不足。在此基础上,提出了一种新的基于n阶平均发散度的可预测尺度确定方法。首先给出了n阶平均发散度的定义;然后阐述了新方法的基本原理,并总结了可预测尺度的计算步骤;最后将所提方法应用于电力负荷时序可预测尺度的确定中,通过对预测误差的分析和比较,验证了新方法的有效性。     

基于动态混沌神经网络的预测研究——以马铃薯时间序列价格为例

针对农产品价格波动的非线性特征明显、传统时间序列方法在预测农产品价格短期波动存在不足等状况,本文将混沌理论和神经网络技术应用到农产品价格短期预测研究中,充分利用相关技术优势,设计了动态混沌神经网络时间序列预测模型.在此基础上,选取2008年1月21日-2012年7月1日的中国马铃薯日度价格为研究对象,对所构建的动态混沌神经网络时间序列预测模型进行学习、训练和测试,并用统计分析方法对模型性能进行评价与分析,最后,将所构建模型的预测结果与传统预测方法预测出的结果进行比较研究.结果显示:整个动态混沌神经网络结构为27-12-1,所设计的基于动态混沌神经网络的马铃薯价格时间序列预测模型在预测精度和性能上较ARMA模型均具有明显优势,这一预测模型在农产品价格时间序列短期预测研究上将具有广阔的应用前景.     

基于神经网络的混沌系统状态预测

在对混沌时间序列的未来状态进行预测时,必须能够正确确定重构序列相空间时的最优时滞及最优嵌入维数,并根据序列状态的变化选定适当的模型进行预测。利用时间序列的自相关函数来确定时滞τ值,利用混沌序列嵌入维数与关联维数的关系来确定最优嵌入维数m值。在此基础上,选择神经网络模型来逼近真实系统,并采用一种新的算法来确定网络权重。最后,通过Logistic映射所产生的时间序列对所述理论进行了实证研究。     

混沌序列自适应多步预测及在股票中的应用

针对混沌时间序列自适应预测方法在多步预测中预测器系数无法调节的问题,根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点,提出了一种自适应多步预测方法.在多步预测中,该方法根据已知样本得到对将来值的预测值并能自适应调节滤波器系数.仿真结果表明此方法的多步预测性能明显好于自适应预测方法的多步预测性能.将此方法应用于对股票数据的预测,得到了较好的预测结果.     

State Prediction of Chaotic System Based on ANN Model

0　 IntroductionFor a chaotic system characterized by an one- dimensional time series,the appoximating re-sult of ANN model to it is affected greately by the choice of network input series.Theconventional method of determining the input series is qualitative analysis,which bringsmany subjective factors into system appoximation. Itwill make system appoximation moredistorted. To resolve this problem,we introduce the theory of chaos in this paper,andthree steps are described:( i) the reconstruc…     

基于支持向量机的混沌时间序列非线性预测

提出一种新的应用支持向量机回归原理的混沌时间序列非线性预测方法,同时利用自适应的方法对支持向量机的参数进行优化.仿真结果显示支持向量机具有比传统的回归方法更好的泛化能力,预测方法具有很高的预测精度,同时还讨论了支持向量机中参数以及嵌入维数的变化对泛化误差的影响,得出的结论与统计学习理论中的VC维理论相一致.     

Research on Chaotic Time Series Prediction Based on K-entropy and RBF Neural Networks

In this paper, a method of direct multi-step prediction of chaotic time series is proposed, which is based on Kolmogorov entropy and radial basis functions neural networks. This is done first by reconstructing a phase space using chaotic time series, then using K-entropy as a quantitative parameter to obtain the maximum predictability time of chaotic time series, finally the predicted chaotic time series data can be acquired by using RBFNN. The application considered is Lorenz system. Simulation results for direct multi-step prediction method are compared with recurrence multi-step prediction method. The results indicate that the direct multi-step prediction is more accurate and rapid than the recurrence multi-step prediction within the maximum predictability time of chaotic time series. So, it is convenient to forecast and control with real time using the method of direct multi-step prediction.     

Kohonen自组织网络在混沌时间序列预测中的应用

研究Ｋｏｈｏｎｅｎ自组织神经网络在构造径向基函数预测模型时的应用，并通过例子研究了混沌时间序列的短期预测和长期预测问题.