基于RBF神经网络模型的混沌背景下谐波信号提取

在混沌时间序列前后向联合预测模型的基础上,提出前后向联合迭代预测模型并将之用于混沌背景下谐波信号的提取.对前后向联合迭代预测模型与前向预测模型的仿真实验对比研究表明,在叠加谐波信号幅度和频率不过小的情况下,前后向联合迭代预测模型在连续类混沌背景下的谐波信号提取性能较前向预测模型好,而在离散类混沌背景下的谐波信号提取效果都很差,但仍可用于检测微弱谐波信号.     

变参数混沌时间序列的神经网络滚动预测研究

神经网络适合于全局建模预测,在确定性混沌系统时间序列的预测中获得广泛应用.许多混沌系统由于参数的慢变导致系统的动力学特性不断发生变化,全局预测方法很难适用,为此提出一种具有固定时间窗的神经网络滚动预测算法.对典型变参数Henon和Ikeda混沌时间序列的预测结果说明,该算法具有较好的跟踪预测性能.     

非线性混沌时序预测研究及应用

混沌是一种普遍存在的非线性动力学行为，针对混沌时间序列的难以预测和控制的问题，提出了基于趋势的混沌预测模型，利用混沌系统的初值、参数敏感性来微调和控制系统扰动，并用改进的最优化方法来估计模型的参数，在其相空间中对时序的未来值进行预测．算例表明，选取最佳的模型阶数能增加预测的准确程度，它不仅克服了仅用延迟嵌入技术的弊端，也降低了直接使用预测误差决定输入模式的盲目性．预测效果比其他时序方法要好。     

混沌时间序列局域零阶预测法性能比较

利用计算机仿真比较了均值、距离加权和指数加权3种混沌局域零阶预测方法的预测精度、抗噪声及多步预测性能．在无噪声或噪声干扰较小时，距离加权预测法的性能最好；当噪声干扰较大时，指数加权预测法预测性能最优．指数加权与均值预测法几乎具有相同的多步预测能力，距离加权预测法的短期预测性能最佳．对于标准的离散混沌时间序列，3种预测方法多步预测误差达到一定值后，不再随预测步长的增加而增加；对于由连续系统抽样得到的混沌时间序列，多步预测误差呈现一定周期性变化．     

基于混沌吸引子的时间序列预测方法及其应用

介绍相空间重构技术以及混沌吸引子的关联维数的计算方法,阐述了基于混沌吸引子的特性基础上的预测原理及预测模型,指出了已有预测模型的不足,提出改进意见并给出具体算法。然后,用Lorenz 系统所产生的时间序列作为样本,进行了预测,给出了3种模型的预测结果,并作了比较。最后,指出了还存在一些相关问题。     

基于混沌相空间重构公路路堤沉降预测模型

鉴于公路路堤沉降预测系统属多维非线性问题,在前人研究的基础上,运用现代混沌理论,建立基于混沌相空间重构的公路填方路堤沉降预测模型,从而构建起完整的公路路堤沉降预测系统.经实例研究证明,该系统预测结果稳定可靠,具有良好的应用前景.     

采用支持向量机回归的航班延误预测研究

针对航班延误难以预测的问题,采用支持向量机回归方法建立航班到港延误预测模型.首先,采用相空间重构理论计算到港延误的延迟时间、嵌入维数和最大 Lyapunov 指数,发现到港延误时间序列存在混沌特性;将航班到港延误时间序列进行相空间重构,并结合执飞该航班的航空器在上游机场的离港延误构建模型的输入向量;其次,将粒子群算法、差分进化算法和遗传算法进行比较,用于选择最优的模型参数,实验表明,差分进化算法能够以较高概率获得最优的预测模型;最后,比较该模型、单一因素预测模型和相关向量机预测模型的航班延误预测性能.结果表明,该模型的预测性能明显优于另外两种模型,能够有效预测航班延误.     

基于EKF的神经网络在网络流量预测中的应用

在网络资源有限的情况下,建立合理的网络流量预测模型,并根据其预测结果及时做出控制决策或调整措施,对网络性能和服务质量的提高均有重要意义.根据网络流量的时变、非线性特点建立一个时间相关的流量预测模型,预测和分析网络流量状况,并利用人工神经网络在非线性建模方面的优势,给出了基于EKF算法的前馈神经网络的结构设计及学习算法.最后在Matlab环境下使用该预测模型对网络流量进行了仿真,结果表明该模型具有较好的自适应性和较高的预测精度.     

基于奇异值分解的混沌时间序列Volterra预测

提出一种用于混沌时间序列预测的奇异值分解Volterra滤波器.在Volterra滤波系数计算过程中,采用奇异值分解的方法得到线性方程组的最小二乘解.4种混沌序列的预测实验表明:该滤波器对混沌流的预测性能远优于NLMS自适应Volterra滤波器,前者的一步预测相对误差比后者小3~4个数量级.     

基于列车运行安全的青藏铁路大风预测优化模型与算法

为减轻青藏铁路恶劣大风天气对列车行车安全的影响、对沿线风速进行准确地预测预报,运用时间序列法对格尔木-拉萨段16号测风站实测风速建立时序预测模型,并进行多步预测仿真计算.为提高时序预测模型精度,通过改进时间序列法建模流程,引进卡尔曼滤波智能算法,提出了2种适合于不同预测步长和精度的优化算法.预测实例表明:优化算法将时序模型的超前1步预测平均相对误差从4.89%降低为2.51%,超前5步预测平均相对误差从9.77%降低为5.62%,并明显改善了时序模型的预测延时现象.     

����֧���������ع�ĺ�������Ԥ���о�

针对航班延误难以预测的问题,采用支持向量机回归方法建立航班到港延误预测模型。首先,采用相空间重构理论计算到港延误的延迟时间、嵌入维数和最大Lyapunov指数,发现到港延误时间序列存在混沌特性;将航班到港延误时间序列进行相空间重构,并结合执飞该航班的航空器在上游机场的离港延误构建模型的输入向量;其次,将粒子群算法、差分进化算法和遗传算法进行比较,用于选择最优的模型参数,实验表明,差分进化算法能够以较高概率获得最优的预测模型;最后,比较该模型、单一因素预测模型和相关向量机预测模型的航班延误预测性能。结果表明,该模型的预测性能明显优于另外两种模型,能够有效预测航班延误。     

基于混沌时间序列的道路断面短时交通流预测模型

为了提高道路断面短时交通流预测的精确性,本文对道路断面的短时交通流数据进行混沌时间序列分析,并对多维交通流时间序列数据进行了相空间重构,建立基于混沌时间序列分析的道路断面短时交通流预测模型,利用粒子群优化算法优化模型的参数选择．最后应用本文的方法对城市快速路采集的断面交通流数据进行分析,对道路断面短时交通流建立预测模型并验证其有效性．     

Short-Time Traffic Flow Prediction Based on Chaos Time Series Theory

Traffic flow prediction has become a kernel study in intelligent transportation system. A prediction model of short-time traffic flow is presented based on chaotic time series analysis method. After the phase space reconstruction using traffic flow data, a two-step optimized selection method is proposed, which considers Euclidean distance and equal coefficient between neighboring point and predicted point. Then the prediction model is educed with the local polynomial method to approximate the neighboring points. The model proposed in this paper is applied to predict the real traffic flow in Dongjiang road, Dongguan city in Guangdong province, China. Comparing the predicted traffic flow value with the flow measured in reality, the results show that the maximal relative error is 0.445%, whereas, the minimal one is 0.038%. Moreover, the single-step forward prediction only requires 38.52 seconds. As a result, it is proved that the method can significantly improve the prediction accuracy and meet the requirement of the real-time prediction.     

基于改进加权一阶局域法的空中交通流量预测模型

空中交通流量精准预测是实施空中交通控制和管理的重要前提.针对空中交通流量时间序列的内在混沌动力特性,研究了基于改进加权一阶局域法的混沌交通流量时间序列预测模型.首先,提出了一种临近相点演化加权的改进一阶局域预测法,并通过在预测过程中构建误差序列进行预测结果修正;其次,利用关联维数出现饱和现象验证了4组不同统计时间间隔的实测空中交通流量时间序列均存在混沌特性;最后,在对空中交通流量时间序列进行相空间重构的基础上,利用改进加权一阶局域预测方法进行了流量预测结果的对比实验.结果表明,4组空中交通流量时间序列预测精度均有提高,时间尺度为10 min的流量预测效果最好,预测相对误差减小了29.7%.      

基于灰色自适应粒子群LSSVM的铁路货运量预测

为了提高铁路货运量的预测精度及建模速度,将灰色预测模型(GM(1,1))、最小二乘支持向量机(LSSVM)和自适应粒子群优化(APSO)算法相融合,建立了灰色自适应粒子群最小二乘支持向量机(GM-APSO-LSSVM)预测模型.通过灰色预测模型中的灰色序列算子,弱化原始数列随机性,挖掘数列中蕴含的规律,利用最小二乘支持向量机计算简便、求解速度快、非线性映射能力强的特点进行预测,并采用自适应粒子群算法优化选择LSSVM参数.对我国铁路货运量的实例分析表明:用该模型得到的评价指标RMSE、MAE、MPE和Theil不等系数分别为0.062 8、0.052 3、0.016 2和0.010 7,均小于其它模型,预测性能好;用APSO算法搜索LSSVM最优参数的时间为55.656 s,比传统交叉验证法减少了10.462 s;2006~2009年的预测相对误差分别为0.39%、-1.67%、1.44%和4.75%,适用于铁路货运量的短期预测.      

用B样条神经网络控制非线性系统的混沌运动

采用B样条神经网络，通过选取混沌系统不稳定周期轨道的不动点附近的数据作为参数扰动模型输入样本的学习，把该模型训练成神经网络混沌控制器，从而预测出混沌系统将来时刻的时间序列，获得控制混沌系统的扰动信号。用该扰动信号，将嵌入在混沌吸引子中不稳定周期轨道镇定到稳定的不动点处．通过对Henon映射的数值仿真实验，证明采用B样条神经网络控制非线性混沌运动是有效的．