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。     

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.     

电力系统短期负荷的混沌时间序列预测

电力系统短期负荷预测在电力系统的调度和管理中起着重要的作用,已有研究证明了电力短期负荷是一非线性动力系统,负荷时间序列是混沌时间序列.文章讨论混沌时间序列的相空间重构技术,并以实际电网为例重构了该电力系统的相空间,最后采用Elman递归神经网络对负荷时间序列进行仿真预测,预测结果表明采用该方法能取得较好的预测效果.     

径流序列的相空间重构神经网络预测模型

在水文水资源领域中引入混沌理论，将相空间重构理论与神经网络理论相结合，提出了径流时间序列预测模型．通过相空间重构，把一维径流时间序列拓展为多维序列，而多维序列可挖掘更为丰富的信息，有利于神经网络的训练．研究表明，利用神经网络建模可以较好地解决非线性问题，使预测更符合实际．以汉江石泉水库逐月平均入库径流序列为例，建立了径流时间序列相空间重构与神经网络耦合预测模型，计算结果表明，模型有较高的预测精度．     

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．     

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 .     

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.     

变分贝叶斯Kriging模型预测混沌时间序列

基于变分贝叶斯及Kriging数学思想,提出了一种含噪混沌时间序列的相空间域预测模型。在相空间域中利用变分贝叶斯推断方法估计模型中的回归系数,采用Kriging数学方法估计模型中的随机部分,将该模型对含加性高斯噪声的Lorenz及Mackey-Glass混沌时间序列进行了预测研究;结果表明该文方法能够有效地预测含噪混沌时间序列,且具有较强的抗噪能力以及有效地克服了过拟和现象;同时预测精度对重构相空间的嵌入维数和时间延迟的变化不敏感。     

解非线性不适定问题的一种正则化方法

研究了在实Hilbert空间中,求解非线性不适定问题的方法．通过对修正的三阶牛顿法进行Tikhonov正则化,得到新的迭代格式．在适当的条件下选取正则化参数,应用广义偏差准则,得出该迭代格式是单调的且是收敛性的．结果表明此迭代格式可应用于求解非线性不适定问题．     

非线性分析方法在沪市高频时间序列中的应用

为研究高频金融时间序列的可预测性,尝试运用相空间重构和偏差计算分析方法预测t 1时刻股指瞬态变化方向.相空间重构可以保持原高频时间序列的某些信息,这些信息是对系统行为的近似描述.通过这种近似行为的描述,发现当时间t足够大时,即t→∞,系统的特性会被更好地反映出来;运用动态系统偏差来描述系统特性,分析系统的瞬间情况,而这种偏差等价于Jacobian矩阵的迹,它是用来测量无穷小的相空间量V(t)沿着轨迹x(t)的变化率.以沪市综合指数5 min高频数据为实证研究对象,预测t 1时刻股指瞬态变化方向,再和实际股指运动方向做比较,效果比较好.     

基于神经网络的公路货运量预测方法研究

通过对公路货运量的预测方法进行研究比较,并根据公路货运量形成的复杂和非线性等特点,建立BP神经网络预测模型.利用黑龙江省公路货运量及其相关影响因素的实际数据,确定网络输入与输出样本,并对BP神经网络预测系统进行训练和预测.通过对网络输出的误差曲线图的分析,验证BP神经网络预测系统的精确性和简单方便性,提高了公路货运量预测的精确性.     

基于相重构和主流形识别的非线性时间序列降噪方法

提出了一种基于相重构和主流形识别的非线性时间序列降噪方法.带噪的时间序列在高维的相空间中其本质特征隐含在一个低维的主流形中,利用局部切空间变换方法提取其主流形,再根据主流形对时间序列进行重构,就可以达到降噪的目的.与现有的非线性时间序列消噪算法不同,基于主流形的消噪算法更强调时间序列的整体结构.数值仿真分析的结果验证了该降噪方法能有效地消除非线性时间序列中的高斯白噪声.     

基于泰勒级数的空间机器人时延神经网络控制

探讨载体位置与姿态均不受控的漂浮基空间机器人在存在时间延迟环境下的关节空间轨迹跟踪的控制问题.在传统漂浮基空间机器人系统动力学模型基础上,融合泰勒级数展开法,建立适用于时延情况下的改进的动力学数学模型.并设计一种基于模糊递归的神经网络跟踪控制方案,利用其对任意不确定非线性项的整体逼近,来消除模型中存在的时延误差.运用Lyapunov第二类方法证明所设计控制系统的渐近稳定性.所提及的控制方案能够有效克服时延对系统稳定性的消极影响,并在提升系统控制品质的基础上得到理论延迟值的适用范围.计算机数值仿真结果验证了上述控制方案的有效性与精确性.     

基于BP神经网络的精对苯二甲酸回收系统水含量预测模型

采用电导率法测量精对苯二甲酸回收系统水含量,考察了电导率与水含量、金属离子浓度及温度的关系。以温度、金属离子浓度、电导率为输入变量,通过BP人工神经网络贝叶斯正则化算法建立水含量预测模型。优化后的BP神经网络模型结构为3-13-1,动量因子为0.75。使用优化的模型对水含量进行预测,测试集最大绝对相对偏差为4.36%,平均绝对相对偏差为0.96%,表明所建立的神经网络模型可较好地用于预测精对苯二甲酸回收系统的水含量。     

动态误差时间序列小波神经网络预测模型

基于现代误差修正技术,研究小波神经网络建立的动态测量误差预测模型,以进行误差修正,提高动态测量精度,避免了传统神经网络需要人为干预网络结构参数的不足。文章介绍了建模方法,重点对大轴圆度误差测量过程中的动态测量数据进行实例分析,结果表明,该模型预测精度高,具有重要的应用价值。     

岩爆分类的人工神经网络预测方法

采用人工神经网络原理，选取影响岩爆的一些主要因素，如地应力、岩石抗压强度、抗拉强度等作为输入参数，建立了岩爆分类与预测的神经网络模型．利用国内外一些工程实例作为学习和训练的样本，并用已经训练稳定的样本对某水电站地下厂房岩爆进行预测．研究表明，与其他岩爆预测方法比较，人工神经网络模型更具有客观性和有效性．     

基于GA-Elman神经网络的交通流短时预测方法

以单断面的交通流量为研究对象,采用动态Elman神经网络进行短时交通流量的预测,提出一种基于GA-Elman神经网络的交通流短时预测方法.该方法通过遗传算法优化Elman神经网络的权值和阈值,克服了Elman神经网络易陷入局部最小的缺陷,同时提高了Elman神经网络的泛化能力和预测精度.实验仿真表明,本文方法可用于城市快速路上预测实时交通流量,预测效果优于Elman、GA-BP预测模型.     

线性约束非线性规划的神经网络方法

研究了线性约束的非线性凸规划问题,基于最优性的充要条件,提出了求解它的一个神经网络,该西式能同时求解原问题与对偶问题;利用LaSalle不变原理,证明了该网络是Lyapunov稳定的,并且当目标函数严格单调时,它必不范围渐近收敛于原问题的精确最优解,模拟实验表明,该模型是可行和有效的。     

隧道围岩变形的非线性自回归时间序列预测方法研究

针对传统时间序列预测模型的单一线性和忽略施工过程影响的静态局限性,提出非线性自回归(包括NARNN与NARXNN)时间序列预测模型.该模型通过引入动态施工影响因子作为附加的外部输入,同时结合模型本身的反馈结构和延迟单元,在结构和动态特性上更加符合实际系统,可以非线性动态地考虑隧道施工全过程.运用该模型对史家山2号隧道施工过程中的围岩水平收敛和地表变形进行预测.结果表明:1)非线性自回归预测模型比传统的ARMA预测模型的预测精度高、适应性好;2)通过多次预测并对结果取平均值,可以保证非线性自回归预测模型预测结果的预测精度和稳健性;3)通过优化动态施工影响因子的取值方法,可以进一步提高NARXNN时间序列预测模型的预测精度.     

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．