积单元神经网络预测噪声环境的混沌时间序列

用人工神经网络预测噪声环境的混沌时间序列是一个重要的问题，因为许多实际的时间序列数据都是含噪声的。提出一种利用积单元神经网络(PUNN)预测噪声环境的混沌时间序列的方法，它采用了粒子群优化器(PSO)训练PUNN网络。用所提方法对Lorenz混沌序列做了仿真实验，结果表明：所提方法结构简单、泛化能力强，是一种有效的方法；当PUNN网络的输入节点数目为2或3时，预测精度更高，而且泛化能力也更强。     

基于改进BP神经网络的混沌时间序列预测方法对比

针对BP神经网络预测混沌时间序列存在的易陷入局部极小值和收敛速度较慢的问题,选取了两种改进预测模型,即GA-BP预测模型和PSO-BP预测模型。并将这两种模型对Lorenz混沌时间序列进行了预测比较实验。实验表明,两种改进模型比BP神经网络预测模型具有更好的预测性能,并且PSO-BP预测模型较GA-BP预测模型的预测精度更高。     

积单元神经网络预测噪声环境的混沌时间序列

用人工神经网络预测噪声环境的混沌时间序列是一个重要的问题,因为许多实际的时间序列数据都是含噪声的.提出一种利用积单元神经网络(PUNN)预测噪声环境的混沌时间序列的方法,它采用了粒子群优化器(PSO)训练PUNN网络.用所提方法对Lorenz混沌序列做了仿真实验,结果表明所提方法结构简单、泛化能力强,是一种有效的方法;当PUNN网络的输入节点数目为2或3时,预测精度更高,而且泛化能力也更强.     

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.     

基于混沌算法神经网络的恒生指数期货时间序列预测

本文对香港恒生指数期货（ＨＳＩ）的时间序列进行了分析和预测。我们发现该时间序列具有分数组和正的Ｌｙａｐｕｎｏｖ指数,这表明该序列是由内在的混沌确定力产生的。在对该序列进行动力学重构和可测性分析的基础上,我们用混沌算法的前馈神经网络对它进行了在线预测。计算机模拟表明混沌算法神经网络的预测噗蒿于背传算法神经网络的预测精度。     

混沌算法神经网络与含噪声时间序列的预测

在前馈神经网络连接权的动力学方程中引进一非线性反馈预后,网络在权空间具有混沌动力学行为：应用这种算法的神经网络对基于Mackey-Glass方程含噪声的时间序列进行在线预测,结果表明网络具有很好的预测性能。     

一种基于混沌序列的粒子群优化算法

提出了一种基于混沌思想的粒子群优化算法,它利用粒子群优化算法收敛速度快和混沌运动遍历性的特点,对于陷入局部极小点的粒子,引入混沌序列重新初始化,从而使惰性粒子能够跳出束缚并快速搜寻到全局最优解.对几个经典函数的测试计算表明,其在收敛速度和精度上均优于标准的PSO算法.     

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.     

混沌时间序列的LSSVM预测方法

结合相空间重构理论,提出运用最小二乘支持向量机(LSSVM)建立混沌时间序列的预测模型,并用粒子群优化(PSO)解决LSSVM参数寻优的问题.通过与RBF神经网络构建的预测模型相比较,计算预测模型的均方根误差来评价模型的性能.结果表明:采用PSO优化的LSSVM预测模型的预测精度更高.