基于BP神经网络的混沌时间序列预测方法及应用研究

神经网络在时间序列的预测中得到广泛的应用,但神经网络模型的输入层神经元个数的选取仍然没有一个明确的解析式来表达.为解决这个问题,在非线性动力系统中,根据混沌理论重构相空间,通过最大Lyapunov指数判定时间序列是否存在混沌现象,存在则通过G-P算法计算出混沌吸引子的关联维数,进而获得相空间的嵌入维数作为神经网络的神经元个数.通过上述方法对铝现有价格进行建模,验证该方法对时间序列的短期预测有较好的精度,在此基础上,对未来一段时间铝价格进行预测.     

基于Lyapunov指数的电阻点焊声音混沌时间序列识别

以混沌理论为基础,对电阻点焊声音信号进行了分析与研究,通过计算8种不同焊接规范下时间序列的最大Lyapunov指数,发现点焊声音信号中的Lyapunov指数均大于0,揭示了声音信号中存在混沌现象,该研究为点焊质量的判断和预测开辟了有效的途径.此外,采用经典欧式几何方法描述声音信号误差较大,提出了用曲线盒维数作为特征值来量化具有混沌特性的点焊声音信息,结果表明,盒维数能反映点焊质量微小变化,可提高质量检验的准确性.     

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。     

混沌时间序列控制方法研究

分析了混沌控制的任务、目标和一般方法,认为混沌时间序列源于混沌系统,用系统的观点讨论了一种对混沌时间序列进行控制的最小参数扰动方法及其步骤。     

Lorenz系统混沌解序列可预报性的统计检验

利用Lorenz简化热对流模式产生了吸引子区域内的混沌解序列，对截取的序列进行了乎稳性和正态性检验．按照3种情形分别选取样本，并应用统计预报中的ARMA模型、多元线性回归模型、多项式回归模型和均值生成函数模型等作出项报。比较分析表明：所选取方程组产生的混池解序列，呈现非周期、非乎稳、非正态特性等极不规则的分布，导致几种统计模型对于两个不稳定平衡状态间的不确定的突变情形基本失去了预报能力，系统行为几乎无法预测，其根本原因在于系统的混沌特性。但在某一不稳定平衡状态内，序列段呈现振幅不断放大的准周期振荡，具有一定的规律性，几种统计模型预报的效果较好，说明在应用统计方法进行预报的前提下，系统行为存在着局部时段的有限的可预报性。     

混沌时间序列的预测及其在电力系统短期负荷预测中的应用

在局域预测法的基础上重点分析了一种基于Lyapunov指数的混沌时间序列预测方法,并将这种方法应用于解决电力系统短期负荷分配问题,得到了较好的仿真预测结果.     

混沌预测在井下瓦斯浓度监测的应用

为了改进矿井瓦斯的实时监测,基于混沌时间序列预测的重构相空间理论,利用瓦斯浓度的时间序列,不直接考虑与瓦斯浓度相关的随机因素,而对瓦斯浓度的历史数据进行分析,建立数学模型(Lyapunov指数模型),并进行预测.实验结果表明:将混沌预测应用到井下瓦斯浓度监测方面是一种切实可行的新思路、新方法,能更有效的保证井下人员和设备的安全.     

一种新的混沌扩频序列的研究与应用

在分析目前被广泛研究的Logistic映射的基础上,提出了一种复合混沌序列生成方案.该序列由两个不同初始值的两个Logistic映射复合而成,具有较高的安全性.对复合混沌序列初值敏感性、平衡性、自相关性、功率谱密度进行了分析,研究结果表明这种新型的序列具有较高的初值敏感性,优良的平衡性、自相关性和伪随机性.对该序列在直接扩频系统中的应用进行了研究,结果表明复合混沌扩频序列是一种有效的和可靠的扩频序列.     

非线性时序的混沌特性分析与预测

非线性时间序列相空间重构过程中的参数选择问题以及有效的预测方法一直是该领域研究的热点和难点，基于虚假最近邻域概念，同时确定最佳的嵌入维数m与时间延迟τ，对实际非线性时间序列进行相空间重构，求解出时间序列最在Lyapunov指数LE，验证了其中混沌特性，其可预报尺度为[1／LE]．并应用基于[1／LE]个输入神经元与Kenya提出的m：2m：m：1这两种人工神经网络结构对非线性时间序列进行训练和预测，预测结果的平均误差分别为4％和2％左右，后一种神经网络结构能提供更好的预测结果。     

Combination prediction method of chaotic time series

In the present paper, we propose an approach of combination prediction of chaotic time series. The method is based on the adding-weight one-rank local-region method of chaotic time series. The method allows us to define an interval containing a future value with a given probability, which is obtained by studying the prediction error distribution. Its effectiveness is shown with data generated by Logistic map.     

基于多变量相重构的混沌时间序列预测

提出了一种基于多变量相重构的混沌时间序列预测方法.该预测方法从非线性动力学系统中获取与待预测时间序列相关的信息组成多变量时间序列,首先进行多变量相空间重构,然后利用局域多元线性回归模型在相空间中进行预测,最后从预测出的高维相点中分离出时间序列的预测值.由于考虑了动力学系统中多个变量之间相互耦合的关系,从而增加了重构相空间的系统信息量,使得相空间的相点轨迹更加逼近原系统的动力学行为.与采用单变量进行预测的方法相比,基于多变量相重构的预测方法无论是单步预测还是多步预测,都能有效地提高预测精度,且具有嵌入维数的选择对预测精度影响较小的优点.通过对Lorenz混沌信号进行预测,实验结果验证了方法的有效性.     

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.     

混沌时间序列局域预测模型及其应用

为了确定滞时、嵌入维数和最邻近点数运3个混沌时间序列局域预测模型参数,首先利用关联积分法确定滞时和嵌入维数．重构混沌时间序列的相空间;而后在此基础上,提出一种新的预测模型——加权动态局域预测模型．该模型综合考虑了广义自由度和邻近点权重,给出了确定最优邻域的判定指标．实际水文系统的计算分析表明,加权动态局域预测模型具有较高的预测精度,是一种有效的用于混沌水文时间序列的预测模型．     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机（SVM）混沌时间序列预测精度的方法。对于模型参数估计,引入混沌粒子群优化算法（CPSO）实现全局寻优,利用支持向量回归实现非线性系统的建模和预测。对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测。     

基于混沌时序的WTI价格系统预测

针对现代金融理论在描述价格波动行为时和真实市场之间存在着一定的差距问题,为运用混沌时间序列的方法来提取价格序列中蕴含着的动力学信息,并应用到实际预测,采用改进C-C算法消除在求解时间延迟时出现的矛盾,并且在计算Lyapunov这一重要系统特征量的过程中,结合R/S分析的方法,对小数据量法进行改进,用于WTI价格系统的预测.结果表明:该方法与传统方法相比,混沌时间序列预测的精度和可信度得到了提高,在经济预测方面有一定的理论价值和良好的应用前景.     

三种动力系统Lyapunov指数的比较

Ｌｙａｐｕｎｏｖ指数是定量描述混沌吸引子的重要指标,自从１９８５年Ｗｏｌｆ提出Ｌｙａｐｕｎｏｖ指数的轨线算法＾［１］以来,如何准确、快速地计算实验数据的Ｌｙａｐｕｎｏ指数便成为一个判定运动性质的重要问题。本文基于作者给出的Ｌｙａｐｕｎｏｖ指数的具体算法,计算了三种动力系统的Ｌｙａｐｕｎｏｖ指数并与Ｗｏｌｆ的算法进行了比较,计算结果表明：不同Ｌｙａｐｕｎｏｖ指数对应不同的非线性混沌动力系统,且Ｌｙａ     

一种基于衰减系数的混沌时间序列预测法

为提高加权一阶局域模型的预测精度,提出一种改进型混沌时间序列预测方法.该方法用衰减系数和时间延迟修正向量距离公式,调节邻近点与中心点的相关性,同时,只用邻近点中与预测值相关性最大的分量进行线性拟合.利用该方法对Henon混沌时间序列进行预测的结果表明,衰减系数取最佳值时,相对于现有算法,该方法可以更精确地预测混沌时间序...     

多变量经济混沌时序的小波神经网络预测

提出了一种改进的小波神经网络,通过对C—D生产系统模型和财产管理模型中产生的经济增长混沌时序,进行多变量混沌时序的相空间重构,并采用改进的小波神经网络进行预测,证明其短期预测效果优于其他方法,说明该方法可以应用到经济增长混沌系统的预测中．