东江流域降水时间序列的混沌特征分析

以广东省东江流域月降雨序列为例,在介绍相空间重构原理的基础上,探讨了混沌分析的主要定量指标:饱和关联维数D2和最大Lyapunov指数λ。得到该时间序列的饱和关联维数D2=3.93,最小嵌入维数m=8,最佳嵌入滞时τ=3个月,最大Lyapunov指数λ=0.253。并且采用主分量方法进一步验证了该序列具有混沌特性,指出该序列的预测时限不应超过4个月,对此结论则用ARMA(p,q)模型作了验证,为东江流域月降雨预测提供了较为科学的依据。     

短角幽天牛成虫林间种群数量的混沌特性

根据混沌理论,分别采用功率谱分析法、关联维数和嵌入维数、最大Lyapunov指数和主分量分析法识别短角幽天牛成虫林间种群数量序列的混沌特性,将短角幽天牛成虫林间种群数量的一维时间序列拓展到多维相空间中去,得出主要的混沌特性指标.研究表明:不同的混沌判定方法结果均显示短角幽天牛林间种群数量序列具有混沌特征,属于混沌时间序列;在拓展的多维相空间中存在吸引子,并具有分维结构,当延迟时间 T=2、嵌入维数m=12时,对应的相空间中关联维数D=3.260 9,最大Lyapunov指数λ1=0.288 6.因此,短角幽天牛成虫林间种群数量一维时间序列存在混沌特性,可以用重构相空间方法对其进行预测.     

风电场风速时间序列的复杂动力学特性分析

利用混沌理论对风电场风速数据进行了相空间重构,首先由C-C方法计算出嵌入维数和延迟时间,然后采用G-P算法计算出吸引子关联维数,最后用小数据量改进算法得出风速时间序列的最大Lyapunov指数,由计算结果发现风电场风速时间序列具有混沌特性,为利用混沌预测方法进一步提高风速预测精度提供参考.     

基于Lyapunov指数的预报方法及在气象预报中的应用

介绍了混沌时间序列的 Lyapunov指数预报分析方法 ,并应用混沌方法对气象预测时间序列进行处理 ,把其混沌特性应用于气象预报中。根据气象时间观测数据计算了重构相空间嵌入维数 D2 和 Lyapunov指数。结合实际例子对 Lyapunov指数预测方法进行了验证。     

基于Lyapunov指数的预报方法及在气象预报中的应用

介绍了混沌时间序列的Lyapunov指数预报分析方法，并应用混沌方法对气象预测时间序列进行处理，把其混沌特性应用于气象预报中。根据气象时间观测数据计算了重构相空间嵌入维数D2和Lyapunov指数。结合实际例子对Lyapunov指数预测方法进行了验证。     

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。     

基于最大Lyapunov指数方法预测油田产量

传统的预测方法是先建立数据序列的主观模型,然后根据主观模型进行计算和预测,而混沌科学的发展使得不必事先建立主观模型,直接根据数据序列本身所计算出来的客观规律(如Lyapunov指数等)进行预测,避免预测的人为主观性。提出适用于小数据序列的方法,几乎利用了所有的数据信息,能够计算出比较精确的Lyapunov指数。结果表明：该方法可靠、计算量小、相对易操作,精度高,并能得出最大预测时间。     

基于最大Lyapunov指数方法预测油田产量

传统的预测方法是先建立数据序列的主观模型,然后根据主观模型进行计算和预测,而混沌科学的发展使得不必事先建立主观模型,直接根据数据序列本身所计算出来的客观规律(如Lyapunov指数等)进行预测,避免预测的人为主观性。提出适用于小数据序列的方法,几乎利用了所有的数据信息,能够计算出比较精确的Lyapunov指数。结果表明：该方法可靠、计算量小、相对易操作,精度高,并能得出最大预测时间。     

基于混沌理论的局域网流量预测

局域网业务流中广泛存在自相似为特征的现象,并且自相似现象与混沌现象间存在紧密联系.通过采用局域网流量对应的时间序列分析的方法进行研究,基于相空间重构思想,通过C-C算法计算嵌入维和延迟时间;利用小数据量法计算局域网流量时间序列的最大Lyapunov指数来判断其混沌特性;针对基于最大Lyapunov指数的预测方法中只考虑中心点的最邻近点对预测的决定性作用,而忽略了其邻近点邻域内其他各点对预测结果的影响的特点,提出了基于最大Lyapunov指数的加权邻域预测法;最后通过实测局域网流量预测验证方法的有效性.      

基于混沌时间序列的水电机组状态短期预测

基于混沌时间序列短期可以预测的特点,构建水电机组状态短期预测。用采样周期确定相空间时延τ,G-P算法确定关联维数从而确定相空间的嵌入维数m,小数据量法证明水电机组振动状态的混沌特性。在重构相空间中,运用加权一阶局域法构建水电机组状态短期预测模型。结果表明:混沌特性指数λ=0.2605的水电机组振动状态具有混沌特性,可以在最佳嵌入维数m=4的情况下进行预测,实例结果表明采用混沌理论进行水电机组状态短期预测是可行的。     

基于最大Lyapunov指数的公路沉降预测

根据混沌理论具有分析非线性动态系统混沌特性的特点,对公路路基沉降量相关时间序列进行了分析和研究.在相空间重构的基础上,利用C-C方法求嵌入时延与嵌入窗、G-P方法求嵌入维数;应用小数据量法计算公路沉降量相关时间序列的最大Lyapunov指数,并进行混沌特性分析,结果显示累积沉降量符合混沌特性.最后对短期沉降量进行了预测.     

电力系统短期负荷预测方法研究

采用混沌理论进行电力系统短期负荷预测,对利用Lyapunov指数算法进行负荷预测作了介绍,包括用混沌理论实现相空间的重构,以及通过计算关联维得到最优嵌入维数的方法、计算Lyapunov指数的方法和利用Lyapunov指数得到预测负荷数值的过程．实例预测结果,证明了算法的有效性,揭示了采用混沌理论进行短期负荷预测的优越性。     

一种基于相空间重构的动态离散时间序列参数自适应求取算法

提出了自适应确定动态离散时间序列的最佳重构相空间嵌入维方法,为数据量不断变动的动态离散时间序列数据库实现自动连续分析提供了可能.讨论了在应用Wolf算法计算最大Lyapunov指数时遇到的因追踪轨线追踪到相空间终点而使计算意外终止的问题,提出最大Lyapunov指数的改进求解方法.基于最大Lyapunov指数进行验证性预测,说明了算法的有效性,并进一步分析了算法对实时分析短期稳定的混沌系统具有积极意义.     

煤与瓦斯突出前瓦斯涌出动态混沌特性

为了分析煤与瓦斯突出前瓦斯涌出量时间序列的混沌动力学特征,对某矿突出前的瓦斯涌出量实测数据的时间序列进行了相空间重构,采用G-P算法计算了突出前瓦斯涌出量时间序列的饱和嵌入维数和关联维数,采用Wolf方法计算了最大Lyapunov指数。结果表明:突出前瓦斯涌出量时间序列是一混沌序列,具有混沌特性;对于研究的瓦斯涌出量时间序列,当嵌入空间维数m取6～7时,Lyapunov特征指数趋于稳定值0.074,即为最大Lyapunov指数LE1;可以应用混沌理论分析突出前瓦斯涌出量时间序列的非线性特征。为煤与瓦斯突出预测研究提供了一种新思路。     

漳河观台站降雨径流时间序列的混沌特性分析

系统地讨论了径流系统混沌特性判别的原理与方法,提出了水文径流系统混沌特性判别的基本框架,即以功率谱分析对径流系统进行初步定性的混沌识别,以BDS检验对径流系统进行非线性检验,应用Cao方法印证混沌特性,通过重构相空间求算的吸引子Kolmogorov熵、Lyapunov指数和关联维数等特征值定量识别混沌特性,从定性与定量...     

最大Lyapunov指数改进算法的网络流量预测

为了提高网路流量的预测精度,针对网络的非线性及复杂性,应用最大Lyapunov指数改进算法,利用历史数据信息,在重构相空间的基础上对网络流量进行短期预测,应用混沌理论对某高校主干流量时间序列进行分析。结合C-C算法将实际测试的流量时间序列投影到重构的相空间中,计算其最大Lyapunov指数并对最大可预测时间进行了分析。实验结果表明,最大Lyapunov指数改进算法具有良好的预测效果,较高的预测精度和更好的自适应性,该算法应用于网络流量预测是可行、有效的。     

基于混沌神经网络的交通事故损失预测

文章应用混沌方法对交通事故损失时间序列进行处理，计算出最大Lyapunov指数，得到最大可预报时间尺度，在此基础上，建立人工神经网络预测混沌时间序列的模型。最后运用该方法对我国交通事故损失进行了预测分析。     

基于小波分解的径流非线性预测

利用小波变换原理将具有非平稳特征的径流序列进行分解，使其平稳项与随机项分离。对平稳项采用传统的AR模型加以预测，而通过对随机项的混沌特征研究，发现其具有明显的混沌特征，进而提出了基于非线性混沌动力学的预测模型方法。最后通过小波对所提出的AR NCDF预测模型预测结果予以重构，实现对原始径流序列的预测。该方法通过实例验证具有较高的精度，是一种实际可行的方法。     

混沌时间序列在边坡位移预测中的应用

根据非线性边坡位移时间序列,运用相空间重构理论,建立了加权一阶局域法边坡位移预测模型、基于Lyapunov指数的边坡位移预测模型、基于神经网络的混沌时间序列边坡位移预测模型,对比分析了三个预测模型的特点。新龙寺滑坡预测研究表明,基于混沌时间序列预测方法具有很好的预测精度和广泛的适应性。     

基于SVM的瓦斯体积分数混沌时间序列预测

文章针对瓦斯体积分数时间序列的非线性和不确定性特征,提出了一种基于SVM的混沌时间序列预测方法.该方法采用改进的最大Lyapunov指数法识别时间序列的混沌特性,通过多次试验选取合适的参数构造SVM预测模型,最后使用优化的预测模型对φ瓦斯的变化趋势进行预测.仿真结果表明,该模型能够较好地解决φ瓦斯时间序列的预测问题,与RBF神经网络模型相比,具有较高的预测精度.