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.     

基于RBF网络的混沌时间序列的建模与多步预测

提出将RBF神经网络应用于混沌时间序列的建模与预测中 ,设计了一个三层RBF网络结构 ,说明了RBF网络用于混沌时间序列建模和预测时的基本性质。仿真结果表明 ,RBF网络模型对混沌时间序列有比较强的拟合能力和比较高的一步及多步预测精度。采用RBF网络进行混沌时间序列的建模和预测能够取得比其它方法好得多的效果。     

多变量混沌时间序列Volterra自适应实时预测

针对多变量混沌时间序列,给出一种Volterra滤波器实现结构.该滤波器利用基于奇异值分解的最小二乘法确定初始核,通过归一化最小均方差(normalized least mean square,NLMS)算法实时确定滤波系数,并用这种多变量Volterra结构对Lorenz时间序列进行仿真.计算结果表明,在无噪声情况下,该方法的实时一步预测精度比目前单变量混沌时间序列Volterra自适应预测方法的一步预测精度提高了102倍,表明这种实现结构易实现且收敛性能更好;在有噪声的情况下,该方法的实时多步预测性能优于局部多项式预测法的多步预测性能,且抗噪性更强.     

基于简化路网模型的卡尔曼滤波多步行程时间预测方法

针对目前多步行程时间预测方法研究较少,存在未来一段时间内的观测值不能及时得到的问题,提出基于简化路网模型的卡尔曼滤波多步行程时间预测模型和算法.综合运用上游路段、当前路段的实时和历史行程时间数据,从历史数据中寻找与当前日期交通状况最接近的历史日期,解决卡尔曼滤波未来一段时间内没有观测值而无法进行多步预测的问题.实验表明,算法能够合理地预测未来几个时段的路段行程时间,有效地避免了时滞性.同时,多步行程时间预测算法的精度高(尤其是4步以内,均等系数达到0.9以上), 是一种可行的预测方法.     

基于混沌算子网络的时间序列一步预测方法

为解决时间序列的一步预测问题,提出了一种基于混沌算子的预测网络.混沌算子具有复杂的动力学行为,根据各算子所处的不同状态,利用加权方法计算出时间序列下一时刻的预测值.根据预测值与实际值的误差,利用混沌优化方法动态地调节混沌算子的参数,逐渐提高网络的预测精度.利用该方法分别对混沌以及实际股票价格等复杂时间序列进行了仿真预测.仿真结果表明,该方法可以对具有内在确定性的系统进行有效的预测.     

基于交互式多模型的粒子滤波算法

融合交互式多模型和粒子滤波，提出了一种新的多模型粒子滤波算法。该算法采用多模型结构以跟踪目标的任意机动。各模型采用粒子滤波算法，以处理非线性、非高斯问题。各模型中相对固定数目的粒子群经过相互交互、粒子滤波后再进行重抽样以减少滤波退化现象。与通用的交互式多模型算法进行了比较，试验仿真结果证实了本文新滤波算法的有效性。     

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。     

基于可行域解析中心的股指时间序列预测

预测股票涨跌情况,并提出了一种新的时间序列预测方法,该方法将时间序列预测问题转化为多类分类问题.同时在分析现有多类分类机器不足的基础上,提出了一种基于可行域解析中心的多类分类器.通过上证股指序列的实证分析表明,提出的方法及多类分类器是有效的且有很强的实用性.     

基于模糊神经网络和R/S分析的股票市场多步预测

将输入空间划分为若干个相互重叠的模糊子空间 ,并在子空间内 ,利用线性模型对非线性系统进行局部建模 ,最后内插局部模型的输出 ,得到非线性系统的全局模糊建模 .基于 Sugeno模糊推理模型的模糊神经网络 (自适应网络模糊推理系统 ANFIS)正是上述模糊建模思想的神经网络实现的一种形式 .R/ S分析表明 ,上海股票市场的价格波动具有长期记忆性 ,因而可以预测 .基于此 ,利用 ANFIS对上证综合指数进行多步预测 ,得到比较好的预测结果.     

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。     

基于多Agent粒子群优化的多步SVR模型预测控制

提出一种基于多Agent粒子群优化支持向量回归机（support vector regression, SVR）参数的优化算法,并利用该算法建立多步预测控制模型,对非线性系统进行预测控制。通过预测控制的机理推导出满足滚动优化目标函数的多步预测输出的控制律。将该模型与基于遗传算法优化的RBF神经网络预测控制器、基于粒子群优化的多步SVR模型预测控制器和基于遗传算法优化的多步SVR模型预测控制器进行比较分析,仿真结果表明该预测控制模型优于其他控制器,具有良好的预测性能,可有效的对非线性系统进行预测控制。     

基于时间序列数据扩增和BLSTM的滚动轴承剩余寿命预测方法

针对滚动轴承全寿命周期监测数据不足导致剩余寿命预测精度不高的问题,提出一种基于时间序列数据扩增和双向长短时记忆(bidirectional long-short term memory, BLSTM)网络的剩余寿命预测方法。首先,采集训练用滚动轴承全寿命周期振动加速度和测试轴承振动加速度数据。其次,对采集得到的原始数据预处理后提取健康因子,将训练用数据和测试数据分别构成参考数据集和目标数据集。然后,以参考数据集为基础,利用动态时间规整算法扩增目标数据集数据。最后,使用数据扩增后的测试数据训练BLSTM网络,利用训练好的BLSTM网络预测滚动轴承性能退化趋势和剩余寿命。实验结果表明,基于动态时间规整算法的数据扩增模型能够根据已有全寿命周期数据,扩增性能退化过程相似的滚动轴承运行数据,利用扩增数据训练BLSTM网络,能够有效提高性能退化趋势预测能力,进而提高剩余寿命预测精度。     

基于权值选优粒子滤波器的故障预测算法

样本贫化现象会严重影响再采样粒子滤波故障预测算法对故障的预测能力,是粒子滤波算法在故障预测应用中的一个主要障碍。针对上述问题,提出了一种基于权值选优粒子滤波器的故障预测算法。按照粒子权值的大小,从大量的粒子中选择出比较好的粒子用于滤波,以增加样本的多样性,从而缓解样本贫化问题,提高再采样粒子滤波故障预测算法的跟踪能力。仿真结果显示所提出的算法是可行的。     

Adaptive multi-feature tracking in particle swarm optimization based particle filter framework

This paper proposes a particle swarm optimization(PSO) based particle filter(PF) tracking framework,the embedded PSO makes particles move toward the high likelihood area to find the optimal position in the state transition stage,and simultaneously incorporates the newest observations into the proposal distribution in the update stage.In the proposed approach,likelihood measure functions involving multiple features are presented to enhance the performance of model fitting.Furthermore,the multi-feature weights are self-adaptively adjusted by a PSO algorithm throughout the tracking process.There are three main contributions.Firstly,the PSO algorithm is fused into the PF framework,which can efficiently alleviate the particles degeneracy phenomenon.Secondly,an effective convergence criterion for the PSO algorithm is explored,which can avoid particles getting stuck in local minima and maintain a greater particle diversity.Finally,a multi-feature weight self-adjusting strategy is proposed,which can significantly improve the tracking robustness and accuracy.Experiments performed on several challenging public video sequences demonstrate that the proposed tracking approach achieves a considerable performance.     

基于自适应量子粒子群算法的FIR滤波器设计

针对量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法的参数控制方式,提出了一种自适应调节方法,该方法根据粒子之间的位置关系来设定参数值,给出了具体的设计思想与实现步骤。然后针对有限脉冲响应(finite impulse response,FIR)数字滤波器的优化设计实质,即多参数优化问题,通过适当的编码方式将改进的QPSO算法(adaptive QPSO,AQPSO)应用在其优化设计中,设计了低通和带通FIR数字滤波器。实验结果表明,AQPSO在收敛速度、鲁棒性及优化效果等方面都优于遗传算法(genetic algorithm,GA)、PSO算法及QPSO算法,说明了AQPSO算法的有效性和可行性。     

基于集合卡尔曼滤波的改进粒子滤波算法

提出一种基于集合卡尔曼滤波的粒子滤波改进方法。该方法利用集合卡尔曼滤波的最大后验概率估计产生粒子滤波每一时刻各粒子的建议分布函数,使建议分布函数融入最新观测信息的同时,更加符合状态的真实后验概率分布。该方法在对粒子滤波的建议分布进行估计时使用采样方法近似非线性分布,且采样点数灵活可变,使计算精度和算法效率得到提高。仿真结果表明,提出的集合卡尔曼粒子滤波的估计性能明显优于标准粒子滤波、扩展卡尔曼粒子滤波和无迹粒子滤波。     

基于暂态挖掘的非线性时间序列故障预报

针对实际工程系统故障建模困难、现有故障预报方法实时性差的问题.从一类挖掘的角度,设计了一种基于一类支持向量机的时间序列暂态挖掘算法,提出了一种既不需要系统近似模型也不需要故障训练数据和先验知识的直接故障预报方法.在系统运行的同时实现学习和预报.提高了实时性.同时该方法简单易用,克服了传统方法在预报故障前需要预测系统未来状态的缺点.具有很强的应用意义.以釜式反应嚣为对象进行的仿真实验证明了方法的有效性.     

基于EEMD和进化KPCR的复杂时间序列自适应预测建模

针对具有非线性、非平稳、多尺度特性的复杂时间序列, 提出一种基于集合经验模态分解（EEMD） 和进化核主成分回归（KPCR）的自适应预测建模方法. 首先运用能克服传统EMD算法中模态混叠现 象的EEMD算法, 按原始时间序列信号的构成特点将其分解到不同尺度, 然后对不同尺度序列采用 C-C方法重构相空间, 在相空间中运用基于混合核函数的KPCR方法构建预测函数. 同时, 针对不同 尺度序列预测模型的优选问题, 采用粒子群优化（PSO）算法在给定准则下自适应确定各项参数, 最后将不同尺度预测结果集成, 得到实际时间序列的预测值. 通过对国际原油价格的数据进行实 证预测分析, 表明了该方法能够在不同尺度对时间序列的变化趋势进行有效描述, 自适应获取优 化的预测模型. 与现有方法相比, 具有较强的自适应建模能力和较高的预测精度.     

电子系统状态时间序列预测的优化相关向量机方法

针对电子系统状态时间序列的预测问题,提出一种基于量子粒子群优化（quantum behaved particle swarm optimization, QPSO）的相关向量机（relevance vector machine, RVM）方法。对电子系统状态时间序列进行相空间重构,建立了RVM回归预测模型;以交叉验证误差最小作为优化目标,将RVM核参数表示为量子空间中的粒子位置,采用QPSO算法实现RVM模型参数的自动优化选择。雷达发射机状态时间序列预测实例表明,相比已有方法,所提方法具有更高的预测精度;同时,能够输出预测值的置信区间,有利于对电子系统未来健康状况做出更加可靠的判断。