多维B样条函数网络应用于非线性时间序列预测

本文构造一个用于解决非线性时间序列预测问题的多维输入 B- spline函数网络 ,并进行了计算机实验模似 .     

B样条网络学习算法

提出B样条网络的一种改进的学习算法。在这种算法中,非零B样条基函数对应的内结点位置和连接权通过梯度下降法调整。计算机模拟结果表明该算法比现有的B样条网络学习算法更加有效和实用。     

B样条函数网络应用于曲线拟合

将 B样条函数网络应用于曲线拟合问题 ,并进行了计算机实验模拟 ,结果表明该网络是实用和有效的     

一种非线性时间序列的关联维快速算法

为了解决经典的优化Grassberger-Procaccia关联维算法存在的运算量大、耗费时间长且在实际中难以应用的问题,提出了一种关联维快速算法.结果表明,该快速算法在误差很小的范围内,速度却可提高上百甚至上千倍,为关联维计算的实际应用开辟了新的前景.     

非线性时间序列的重构及预测

采用自适应前馈网络算法(AFN)进行非线性时序预测，对网络结构设计进行详细的探讨，并应用该方法对经典非线性时间序列数据进行预测，与传统预测方法(TAR)比较，结果证明此种方法具有较好的效果，网络的结构得到了简化。不仅满足了误差目标的要求，而且提高了网络的推广能力。且AFN方法可以对时间序列数据间的关系给出一种基于贡献率的解释。     

基于改进RBF网络的过程工业时间序列预测方法

基于残差思想的异常数据检测方法的关键之处在于对数据的准确预测.针对这一问题,提出基于改进径向基网络(radial basis function network,RBFN)的过程工业时间序列预测方法,该方法通过改变RBF网络的输入形式,使改进后的RBF网络能够更方便地引入遗忘因子以及惩罚因子,以适应于基于残差思想的异常数据检测方法要求的动态性能和鲁棒性.通过理论证明改进的RBF网络与传统RBF网络的等效性,并通过实验比较证明改进后的RBF网络较传统的网络结构更简单,参数意义更明确.     

非线性时间序列建模与预测的神经网络法

简述了人工神经网络的基本概念及计算特性,提出了用神经网络方法进行非线性时序建模的基本思路,分析了传统的BP学习过程,得出了BP学习算法的改进算法.然后讨论具有一层隐层的前向式神经网络,基于预测误差分析,提出了权值估计方法,使非线性时序建模的神经网络法规范化.     

基于误差反传算法的时间序列非线性预测方法

讨论了基于误差反向传播算法的时间序列非线性预测方法，给出了用该方法预测的时间序列程序框图并对太阳黑子预测问题进行了计算机仿真。仿真结果表明该非线性预测方法有较好的预测效果．     

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。     

计算机教学机房的建设、管理与维护

针对计算机教学机房的建设、管理与维护,介绍了一些有效可行的保证机房正常、稳定运行的“软”保护方法,不需任何投资、不存在兼容性问题,且快速、方便。     

基于神经网络免疫集成的非线性时间序列故障预报

针对神经网络集成对个体差异性的要求 ,提出了集成网络间的结构差异度的概念 .在此基础上设计了一种基于反向选择的免疫算法 ,该算法可以在减小集成网络各自训练误差的同时保持网络间的结构差异度 ,从而提高神经网络集成的泛化能力 .同时证明了该算法对最优个体的收敛性 .将该方法应用于受噪声污染的非线性时间序列故障预报 ,根据预测误差可以方便准确地检测系统的缓变故障和突变故障 ,实现对微小故障的快速故障预报 ,降低误检率 .仿真结果证明了该方法的有效性 .     

ANN非线性时间序列预测模型输入延时τ的确定

用神经网络（ANN）建立非线性时间序列预测模型时，ANN输入数据延时间隔τ的选取是必须考虑的一个方面。目前关于延时间隔τ选取的流行做法是：将τ确定为相空间重构时的最佳延时τs，本文提出了与此不同的观点，即神经网络输入数据延时间隔τ的选取与τs无直接关系。综合考虑其他一些因素，认为ANN输入数据延时间隔τ取为1是最为合理的。给出了理论分析和实验验证。     

改进的时间序列关联维数快速算法

针对传统关联维数的计算方法耗时量过大的问题,通过改进点对距离的度量方法,采用空间分块策略技术对重构相空间进行分块并将每个网格进行统一编号,加快了点对的搜索速度,实现了关联积分的快速计算,从而较大程度地提高了关联维数的计算速度．仿真结果表明：提出的算法可以快速有效地计算时间序列的关联维数,为工程实际应用奠定了基础．     

基于小波网络的非线性经济时序预测模型

为对经济时序准确预测,必须先对其数据结构进行分析,相空间重构技术为之提供了理论基础,通过关联维数的计算,区分确定性系统和随机系统．在此基础上确定最佳嵌入维数、最佳采样时间间隔及小波元的个数,并通过带有偏差单元的递归小波网络的学习,进行模型参数的辨识．实验研究表明,模型对非线性经济时序具有良好的逼近能力,因此该模型用于非线性经济时序预测具有可行性。     

非线性时间序列的相空间重构参数估计的新算法

针对混沌理论中非线性时间序列相空间重构的理论和方法,提出一种估计嵌入维数和延迟时间的新算法,采用矢量空间平均位移法确定延迟时间;基于混沌吸引子上邻近点之间距离随着时间增加最终趋于饱和的特性,估算非线性时间序列相空间重构的嵌入维数. 实例表明,该算法可以有效估计非线性时间序列的相空间重构参数.     

基于局部RBF网络的复杂时间序列预测方法研究

针对复杂时间序列全局预测模型建模效率低、预测性能不佳等问题,提出一种基于局部RBF神经网络的新型预测模型.该模型采用K最近邻搜索方法得到待预测样本的K个近邻,用近邻样本进行RBF神经网络建模,用训练好的RBF神经网络对待预测样本进行预测.实验结果显示该模型在复杂时间序列预测上有良好的性能.     

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.