混沌变步长量子遗传算法

针对多数量子遗传算法在搜索解时没有充分利用搜索过程中的先验知识的问题,结合混沌运动的遍历性和量子遗传算法的群体搜索性,提出一种基于混沌变尺度梯度下降的量子遗传算法.算法采用梯度下降法对量子遗传操作获得的优良个体进行局部搜索,引导种群的进化.结合混沌优化策略产生自适应步长,在搜索初期加快寻优速度,随着搜索逐渐接近最优点,混沌产生的小步长实现在最优解所在的小范围内进行精确搜索.实验结果表明,该方法的综合性能优于传统的量子遗传算法及遗传算法.     

GA优化支持向量机用于混沌时间序列预测

介绍了利用支持向量机与重构相空间理论预测混沌时间序列的方法，并以股价时间序列为样本，比较了几种常用核函数的预测能力，实验表明高斯核的预测能力明显好于其它核．使用遗传算法优化了高斯核支持向量机的参数，优化后其预测能力较经验定参方法有明显提高，且好于传统的预测方法．     

Seasonal Time Series Analysis Based on Genetic Algorithm

Pattern discovery from the seasonal time-series is of importance. Traditionally, most of the algorithms of pattern discovery in time series are similar. A novel mode of time series is proposed which integrates the Genetic Algorithm （GA） for the actual problem. The experiments on the electric power yield sequence models show that this algorithm is practicable and effective.     

基于混合算法优化神经网络的混沌时间序列预测

提出了一种混合算法优化神经网络的混沌时间序列预测模型.将粒子群优化算法与模拟退火算法过程中概率突跳的思想相结合形成一种新的混合算法,并用此混合算法优化神经网络建立预测模型.该模型克服了传统的神经网络收敛慢、易陷入局部最优等不足.利用该模型对Mackey-Glass混沌时间序列和Henon映射进行实验仿真,结果表明,该模型收敛速度快,稳定性能好,预测精度高.     

基于递归网络的混沌时间序列预测

为了能对时问序列充分建模,从混沌的慨念入手,将混沌与神经网络相结合,利用人工神经网络的拟合特性,提出了递归网络的混沌时间序列预测方法。给出了递归神经网络预测的基本理论、数学模型、及具体步骤,并通过由杜芬方程所产生的混沌时间序列对该神经网络进行了模拟实验。仿真结果表明,该方法远好于前馈网络的预测效果,其预测误差在10^-15的数量级上。     

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。     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.     

基于遗传算法的RBF神经网络非线性时间序列预测

提出一种基于遗传算法和RBF神经网络相结合的时间序列预测模型,克服了单个神经网络在非线性时间序列预测中容易陷入局部极小值及网络训练速度缓慢的问题.以居民消费价格指数数据进行训练和测试,与传统的BP神经网络预测模型相比较,该模型的预测精度是令人满意的,数值模拟证明了该方法的有效性和可行性.     

基于混沌优化的量子遗传算法

量子遗传算法是一种高效的并行算法，但它有时会陷入局部极值。混沌优化的遍历性可作为搜索过程中避免陷入局部极小值的一种优化机制，随机性和规律性使它具有丰富的时空动态。所以二者结合可互补。经试探分析，典型函数测试结果表明，混沌优化与量子遗传算法相结合全局寻优效果更佳。     

基于遗传算法的神经网络金融时序预测的研究

基于简单遗传算法的神经网络训练速度慢、易陷入局部极值,用具有较好的全局搜索能力自适应遗传算法来优化神经网络权值和国值,设计了基于自适应遗传算法的BP神经网络的股票预测系统．该系统根据对股票历史数据分析,预测股价未来几天时间的走势．结果表明,改进算法具有很强的可行性和高效性．     

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。     

基于遗传算法的时序混合模型的参数估计

本文对时间序列中所表现的非高斯性进行了探讨，提出了EMTD模型，利用混合指数分布函数对时间序列建模，给出了EMTD模型的一阶矩、二阶矩平稳性条件．利用遗传算法对模型的参数进行了估计，并推导了参数的标准误差．     

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．     

基于混沌遗传算法的QoS组播路由

针对遗传算法在搜索最优组播树的过程中易发生早熟收敛的缺点,提出一种抑制早熟的混沌遗传算法.利用混沌的随机性和遍历性,将混沌扰动算子加入到遗传算法的操作中,当判断种群有早熟发生时,就对该种群进行类似变异的混沌扰动操作,从而增加了种群的多样性,既保留遗传算法的全局搜索能力又能有效改善算法性能.仿真结果表明,该算法能克服早熟收敛的缺点,又能快速、有效地构造出满足QoS约束要求的最优组播树.     

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.     

基于径向基函数网络的混沌时间序列分析

给出了基于径向基函数网络的混沌时间序列预测的方法。利用非线性自回归移动平均（ＮＡＲＭＡＸ）模型对非线性时间序列进行辨识并给出基于动态径向基函数（ＲＢＦ）网络的辨识算法。将这一方法应用到Ｈｅｎｏｎ映射的混沌时间序列的嵌入维估计及我国股票市场的混沌现象的实证研究,得到理想的结果。文章最后指出了进一步的研究方向。     

基于Hurst指数的飞机完好率混沌时序数据时滞性分析

通过研究Hurst指数随时间变化曲线的特性,提出了一种计算和判断混沌时间序列平均最大“记忆”长度(“平均循环周期”)的方法。并应用于对飞机完好率时间序列数据的时滞性实证分析,分析结果得到了有关专家的认可,为进一步的评价分析奠定了基础。     

基于混沌时序重构的股票价格预测研究

应用非线性映射迭代模型，采用小波理论来辨识混沌模型中的参数，并通过对混沌时序进行预处理，可得到较好的预测结果。采用小波网络对非线性映射迭代模型中的参数进行辨识，辨识的准确程度较高，采用该模型对上海证券市场600063号股票的开盘和最高价格数据进行了建模和模型参数辨识，并据此做出相关预测，得到了满意的预测结果。     

基于缩减策略的混沌时间序列LSSVM预测模型

 由于混沌时间序列具有样本大等特点,使用最小二乘支持向量机(LSSVM)建立其预测模型具有内存开销大、训练速度慢等缺点,因此,在混沌序列数据特性的基础上,利用样本集分割与样本相关性的思想,提出一种基于缩减策略的混沌时间序列LSSVM预测模型。该模型利用混沌时间序列的平均周期将大样本数据分解成不同的子集,把最后一个子集之外的其他子集利用拉格朗日乘子的值缩减一部分非支持向量,将缩减后样本与最后一个子集合并,利用相关系数缩减法缩减合并后的样本集,并利用最小二乘支持向量机进行回归预测。最后通过相关实验,验证了本模型在基本不损失预测精度的基础上具有较快的计算速度。     

基于联合熵的多变量混沌时间序列相空间重构

提出了一种多变量混沌时间序列的联合熵扩维法(JEED),为多变量时间序列的预测构造了有效的模型输入向量.首先使用互信息法求混沌系统各观测变量的延迟时间;然后使用联合熵确定各分量的嵌入维数,并按最大熵选择重构分量,不断扩张相空间维数,最终使得重构向量空间包含系统的最大信息量.仿真实验表明因为JEED确定的相空间能提供丰富的信息,在其上进行的神经网络预测取得了比单变量预测方法更好的预测效果.