基于小波分解和残差GM(1,1)-AR的非平稳时间序列预测

提出基于二进正交小波变换和残差GM(1,1)-AR方法的非平稳时间序列预测方案.首先利用Mallat算法对非平稳时间序列进行分解和重构,分离出非平稳时间序列中的低频信息和高频信息;然后对高频信息构建自回归模型,对低频信息则用灰色残差模型进行拟合;最后将各模型的预测结果进行叠加,从而得到原始序列的预测值.该方法不仅能充分拟合低频信息,而且可避免对高频信息的过拟合.实验结果表明,这种方法比传统的非平稳时间序列预测方法具有更高的预测精度.     

基于EMD与STSA混合方法的金融收益信息提取与预测

针对STSA方法在金融时间序列分析中的缺陷提出了运用EMD与STSA结合的改进方法。以上证指数、深证成指、建筑指数、金融指数、地产指数、上证商业6种指数的收益数据作为研究样本,利用EMD方法分解提取出一系列反映原始序列不同时间尺度信息的分量,通过对各分量进行STSA分析后发现导致原始序列多变化模式的原因。在此基础上提出了通过单一变化模式分量对原始序列变化趋势进行估计的条件和限定范围,实验结果表明,该方法在提取和分析时间序列变化模式方面具有独特的优势,具有较高的预测精度和实用性。     

基于神经网络的非线性时间序列预测方法研究

本文提出了一种基于神经网络进行非线性预测的方法，对ＢＰ模型应用于非线性预测了较详细的研究和探讨，应用该方法对经典非线性时序信号进行预测，并与传统预测方法（ＴＡＲ预测法）效果进行了比较，结果证明神经网络预测方法（ＡＮＮ预测法）具有十分明显的优势。     

基于小波分析的非平稳时间序列分析与预测

提出了基于小波变换的非平衡时间序列分析预测方法。通过小波分解,将原时间序列依尺度分解成不同层次,使趋势项、周期项和随机项分离,对每一层进行分析与预测,最后再合成得到了原时间序列的预测值。实例验证了该方法是可行的。     

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.     

基于神经网络动态非线性非平稳经济系统预测

考虑实际经济系统中广泛存在着非线性和时变性因素，以及大部分变量的序列具有增增长特性，提出了用网络方法，建立实际经济系统的时变非线性模型，采用增广卡尔曼滤波算法训练神经网络，并根据先验信息（序列的时间增长特性）构造参数转移矩阵，对实际经济的预测分析结果证明，与传统定常非线性预测模型相比，该方法不仅可以在线递推预测，而且由于参数转移矩阵的引入，预测精度得到很大的提高。     

非平稳时间序列的状态空间建模与预测

本文研究了非平稳时间序列的状态空间建模与预测方法。在建模的过程中,采用了分解模型的方法,从原始时间序列直接建立起状态空间模型,对趋势性建立起随机走动模型,对周期性因素建立了动态谐波模型,从而摆脱了Ｂｏｘ－Ｊｅｎｋｉｎｓ建立ＡＲＩＭＡ模型的繁琐程序。     

神经网络方法及其在非线性时间序列预测中的应用

在介绍神经网络方法后，对其应用于非线性时间序列预测进行了探讨。     

非线性时间序列的相空间重构技术研究

分析了混沌时间序列相空间重构中常用的C-C方法所存在的四点不足,提出了改进的C-C-2方法.该方法改进了时间序列关联积分的计算方法和参数,利用混沌序列周期N的概念,提出了通过寻找Scor(t)的第一个属于混沌序列周期N的局部极小峰值,来确定最优延迟时间窗口的判断方式;并只寻找平均ΔS2(t)的第一个极小值来确定最优时间延迟,所得结果更合适、稳定,而且将原算法的抗噪能力由30%提高到80%.     

基于冗余的时间序列非线性特性的判定

考虑到常用的替代数据法进行非线性判定存在缺陷，研究了基于信息理论冗余概念的非线性判定方法，在Renyi α熵定义的基础上，推导了计算冗余的一般公式，即用相应的关联积分表示冗余，文中应用实例表明；相对于传统的空间划分或盒内计数方法计算冗余，用关联积分计算冗余显得更自然，更易实施。     

事件影响下的时间序列多尺度集成预测

针对时间序列的非线性、非平稳和多尺度特征,考虑到事件对序列结构产生的影响,提出事件影响下的时间序列多尺度集成预测策略。首先,基于经验模态分解将原始序列分解成若干分量,从多个尺度展现序列的基本构成;随后,基于迭代累积平方和实现分量序列的变点检验,从多个尺度判别和获取事件对序列产生的结构性影响;然后,基于干预分析构建事件对不同分量序列的影响模型,据此剔除事件影响,获取净化序列;最后,运用基于粒子群优化的支持向量回归,建立单一尺度的序列预测模型,进而实现事件影响下的时间序列多尺度集成预测。实证分析表明:该策略能够精细辨识事件对序列的多尺度影响,有效建立序列总体及分量的预测模型,与传统方法相比,具有更强的事件辨识能力、自适应建模能力和更高的预测精度。     

多维非线性时间序列的投影寻踪学习逼近

建立了多维非线性时间序列投影踪学习网络结构及算法,证明了投影寻踪学习网络可以以任意精度逼近多维非线性时间序列。解决了基于投影寻学习的多维非线性时间序列的建模和预测问题,实际应用例子表明该算法可行。     

基于EMD与神经网络的中国股票市场预测

应用EMD分解算法、混沌分析和神经网络理论提出了一种中国股票市场建模及预测的EMD神经网络模型.首先应用EMD分解算法把原始股市时间序列分解成不同尺度的基本模态分量,并在此基础上进一步分析, 表明中国股市存在混沌特性;再经混沌分析和神经网络进行组合预测,提高了模型对多种目标函数的学习能力, 有效提高了预测精度. 实验表明:与现有方法相比, 该方法具有较高的精度.     

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EOF-SVD模型的多元时间序列相关性研究及预测

将奇异值分解同自然正交分解相结合,提出一种改进的正交奇异值分解方法.通过对原始数据进行自然正交分解,削弱原始数据之间的相关性,增强其用于分析及预测的能力,并得到相互正交的主成分代替原始数据进行奇异值分解,分析两个变量场之间的相关关系.在此基础上建立神经网络预测模型,实现多元时间序列的预测.采用该方法对三门峡处径流量同太平洋海温的耦合关系进行分析,并同常规奇异值分解方法进行比较,仿真结果验证了所提方法的有效性.     

基于非线性时间序列的胎儿心电信号提取算法

研究了基于非线性时间序列的状态空间投影算法提取胎儿心电信号.母亲、胎儿心电信号以及噪声在状态空间中的吸引子表现形式不同,通过选择不同的邻域半径,将混合信号在某一局部范围内投影,就可以分离出所要监测的胎儿心电信号.对模拟的和实际测量的孕妇腹部混合信号仿真,都得到了较好的效果.相对于其它胎儿心电信号提取算法,该方法只需要一路导联信号就可以分离出胎儿心电信号,方便了医生对胎儿的监测.该算法对其它微弱特征信号提取具有借鉴作用.     

基于非线性动力学方法的时间序列处理

因神经系统复杂的生理机理，EEG信号分析一直是信号处理领域研究中的难点问题。本文简要介绍并分析了现有对非线性时间序列进行数值分析的手段，包括Lyapunov指数、分数维、测度熵以及多种复杂性测度等。在考虑传统分析手段的优缺点，以及原有的复杂性分析方法的基础上，提出了分级加权复杂性测度的定义和计算步骤。脑电数据的临床处理结果表明，这种方法能够较好地区分脑功能的不同状态。分级加权复杂性测度考虑了多临界点的映射，通过调整权数可更大限度地提取时间序列中有用的信息，从而提高对不同状态的区分率。     

汇率时间序列非线性特征分析及实证研究

为了更好地描述汇率行为特征,改善对其的短期预测能力,本文分析汇率时间序列的非线性依赖性.通过正态性检验和BDS统计检验,实证研究6种货币兑美元日汇率序列的非线性依赖性;在确定存在非线性依赖的基础上,对子样本序列及标准化序列进行BDS检验,试图确定非线性依赖的来源.结果表明,除欧元外其余5种货币兑美元的汇率序列均存在非线性依赖特征,其形式可能是混沌.     

RBF-AR模型在非线性时间序列预测中的应用

研究了RBF-AR模型在非线性时间序列中的建模和预测问题,并把它与其它一些新近提出的模型或方法加以了比较.一种结构化非线性参数优化方法用来辨识此模型.数值实验和比较研究表明采用结构化非线性参数优化方法的RBF-AR模型在预测精度上要大大优于其它一些模型或方法.     

非线性时间序列高性能仿真算法研究

系统相空间重构和几何特征值计算是非线性动力系统仿真的重要过程.因其算法时空复杂度较高而计算耗时,为实时仿真非线性时间序列带来了困难.对相图重构算法和几何特征值计算算法进行了优化,使其时间复杂度有不同程度的降低;进而并行化这些算法,使其效率进一步提升,最后算法运行时间缩短为原运行时间的1/30.以长程睡眠脑电数据分析和仿真为例,分析结果表明关联维的高低能够反映出睡眠的阶段,据此对非快速眼动睡眠期的仿真预测与实际结果相符.