搜索

文章查询

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测

李瑞国 张宏立 范文慧 王雅

基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测

李瑞国, 张宏立, 范文慧, 王雅
PDF
导出引用
导出核心图
  • 针对传统预测模型对混沌时间序列预测精度低、收敛速度慢及模型结构复杂的问题, 提出了基于改进教学优化算法的Hermite正交基神经网络预测模型. 首先, 将自相关法和Cao方法相结合对混沌时间序列进行相空间重构, 以获得重构延迟时间向量; 其次, 以Hermite正交基函数为激励函数构成Hermite正交基神经网络, 作为预测模型; 最后, 将模型参数优化问题转化为多维空间上的函数优化问题, 利用改进教学优化算法对预测模型进行参数优化, 以建立预测模型并进行预测分析. 分别以Lorenz 系统和Liu系统为模型, 通过四阶Runge-Kutta法产生混沌时间序列作为仿真对象, 并进行单步及多步预测对比实验. 仿真结果表明, 与径向基函数神经网络、回声状态网络、最小二乘支持向量机及基于教学优化算法的Hermite正交基神经网络预测模型相比, 所提预测模型具有更高的预测精度、更快的收敛速度和更简单的模型结构, 验证了该模型的高效性, 便于推广和应用.
    • 基金项目: 国家自然科学基金(批准号: 61463047)和自治区研究生科研创新项目(批准号: XJGRI2015039) 资助的课题.
    [1]

    Xing H Y, Zhang Q, Xu W 2015 Acta Phys. Sin. 64 040506 (in Chinese) [行鸿彦, 张强, 徐伟 2015 物理学报 64 040506]

    [2]

    Zhao Y P, Wang K K 2013 Acta Phys. Sin. 62 240509 (in Chinese) [赵永平, 王康康 2013 物理学报 62 240509]

    [3]

    L S X, Wang Z S, Hu Z H, Feng J C 2014 Chin. Phys. B 23 010506

    [4]

    Wang L, Zou F, Hei X, Yang D, Chen D, Jiang Q, Cao Z 2014 Neural Comput. Appl. 25 1407

    [5]

    You R Y, Huang X J 2011 Chin. Phys. B 20 020505

    [6]

    Lee S H, Chung K Y, Lim J S 2014 Pers. Ubiquit. Comput. 18 1315

    [7]

    Zhao N, Yu F R, Sun H, Yin H, Wang G 2015 Wirel. Netw. 21 1227

    [8]

    Li S, Zhang C, Shi M 2015 J. Shanghai Jiaotong Univ. (Sci.) 20 224

    [9]

    Zhao L, Shui P, Jiang F, Qiu H, Ren S, Li Y, Zhang Y 2014 Earth Sci. Inform. 7 59

    [10]

    Bansal A, Chen T, Zhong S 2011 Neural Comput. Appl. 20 143

    [11]

    Yu X, Wang B, Batbayar B, Wang L, Man Z 2011 J. Global Optim. 51 271

    [12]

    Li P H, Chai Y, Xiong Q Y 2013 Acta Autom. Sin. 39 1511 (in Chinese) [李鹏华, 柴毅, 熊庆宇 2013 自动化学报 39 1511]

    [13]

    Han M, Xu M L, Wang X Y 2014 Chin. J. Comput. 37 2268 (in Chinese) [韩敏, 许美玲, 王新迎 2014 计算机学报 37 2268]

    [14]

    Kohli A K, Rai A 2013 Circ. Syst. Signal Pr. 32 223

    [15]

    Aiyer B G, Kim D, Karingattikkal N, Samui P, Rao P R 2014 KSCE J. Civ. Eng. 18 1753

    [16]

    Han M, Wang X Y 2013 Control Theory Appl. 30 1467 (in Chinese) [韩敏, 王新迎 2013 控制理论与应用 30 1467]

    [17]

    Lazzús J A 2011 Chin. Phys. Lett. 28 110504

    [18]

    Pandey A, Thapa K B, Prasad R, Singh K P 2012 J. Indian Soc. Remote 40 709

    [19]

    Hosseini E S, Esmaeelzadeh V, Eslami M 2015 Wireless Pers. Commun. 80 1579

    [20]

    Sardashti A, Daniali H M, Varedi S M 2013 Meccanica 48 1681

    [21]

    Zhang S, Zhang Y, Zhu J 2015 J. Mech. Sci. Technol. 29 605

    [22]

    Pawar P J, Rao R V 2013 Int. J. Adv. Manuf. Tech. 67 1955

    [23]

    Liao X X, Luo Q 2010 Sci. Sin. Technol. 40 1086 (in Chinese) [廖晓昕, 罗琦 2010 中国科学:信息科学 40 1086]

    [24]

    Huang Y 2014 Acta Phys. Sin. 63 080505 (in Chinese) [黄沄 2014 物理学报 63 080505]

    [25]

    Wang Z L 2010 Nonlinear Dynam. 59 455

  • [1]

    Xing H Y, Zhang Q, Xu W 2015 Acta Phys. Sin. 64 040506 (in Chinese) [行鸿彦, 张强, 徐伟 2015 物理学报 64 040506]

    [2]

    Zhao Y P, Wang K K 2013 Acta Phys. Sin. 62 240509 (in Chinese) [赵永平, 王康康 2013 物理学报 62 240509]

    [3]

    L S X, Wang Z S, Hu Z H, Feng J C 2014 Chin. Phys. B 23 010506

    [4]

    Wang L, Zou F, Hei X, Yang D, Chen D, Jiang Q, Cao Z 2014 Neural Comput. Appl. 25 1407

    [5]

    You R Y, Huang X J 2011 Chin. Phys. B 20 020505

    [6]

    Lee S H, Chung K Y, Lim J S 2014 Pers. Ubiquit. Comput. 18 1315

    [7]

    Zhao N, Yu F R, Sun H, Yin H, Wang G 2015 Wirel. Netw. 21 1227

    [8]

    Li S, Zhang C, Shi M 2015 J. Shanghai Jiaotong Univ. (Sci.) 20 224

    [9]

    Zhao L, Shui P, Jiang F, Qiu H, Ren S, Li Y, Zhang Y 2014 Earth Sci. Inform. 7 59

    [10]

    Bansal A, Chen T, Zhong S 2011 Neural Comput. Appl. 20 143

    [11]

    Yu X, Wang B, Batbayar B, Wang L, Man Z 2011 J. Global Optim. 51 271

    [12]

    Li P H, Chai Y, Xiong Q Y 2013 Acta Autom. Sin. 39 1511 (in Chinese) [李鹏华, 柴毅, 熊庆宇 2013 自动化学报 39 1511]

    [13]

    Han M, Xu M L, Wang X Y 2014 Chin. J. Comput. 37 2268 (in Chinese) [韩敏, 许美玲, 王新迎 2014 计算机学报 37 2268]

    [14]

    Kohli A K, Rai A 2013 Circ. Syst. Signal Pr. 32 223

    [15]

    Aiyer B G, Kim D, Karingattikkal N, Samui P, Rao P R 2014 KSCE J. Civ. Eng. 18 1753

    [16]

    Han M, Wang X Y 2013 Control Theory Appl. 30 1467 (in Chinese) [韩敏, 王新迎 2013 控制理论与应用 30 1467]

    [17]

    Lazzús J A 2011 Chin. Phys. Lett. 28 110504

    [18]

    Pandey A, Thapa K B, Prasad R, Singh K P 2012 J. Indian Soc. Remote 40 709

    [19]

    Hosseini E S, Esmaeelzadeh V, Eslami M 2015 Wireless Pers. Commun. 80 1579

    [20]

    Sardashti A, Daniali H M, Varedi S M 2013 Meccanica 48 1681

    [21]

    Zhang S, Zhang Y, Zhu J 2015 J. Mech. Sci. Technol. 29 605

    [22]

    Pawar P J, Rao R V 2013 Int. J. Adv. Manuf. Tech. 67 1955

    [23]

    Liao X X, Luo Q 2010 Sci. Sin. Technol. 40 1086 (in Chinese) [廖晓昕, 罗琦 2010 中国科学:信息科学 40 1086]

    [24]

    Huang Y 2014 Acta Phys. Sin. 63 080505 (in Chinese) [黄沄 2014 物理学报 63 080505]

    [25]

    Wang Z L 2010 Nonlinear Dynam. 59 455

  • [1] 张军峰, 胡寿松. 基于一种新型聚类算法的RBF神经网络混沌时间序列预测. 物理学报, 2007, 56(2): 713-719. doi: 10.7498/aps.56.713
    [2] 李 军, 刘君华. 一种新型广义RBF神经网络在混沌时间序列预测中的研究. 物理学报, 2005, 54(10): 4569-4577. doi: 10.7498/aps.54.4569
    [3] 马千里, 郑启伦, 彭宏, 覃姜维. 基于模糊边界模块化神经网络的混沌时间序列预测. 物理学报, 2009, 58(3): 1410-1419. doi: 10.7498/aps.58.1410
    [4] 张文专, 龙文, 焦建军. 基于差分进化算法的混沌时间序列预测模型参数组合优化. 物理学报, 2012, 61(22): 220506. doi: 10.7498/aps.61.220506
    [5] 马千里, 彭宏, 张春涛. 基于信息熵优化相空间重构参数的混沌时间序列预测. 物理学报, 2010, 59(11): 7623-7629. doi: 10.7498/aps.59.7623
    [6] 梅英, 谭冠政, 刘振焘, 武鹤. 基于大脑情感学习模型和自适应遗传算法的混沌时间序列预测. 物理学报, 2018, 67(8): 080502. doi: 10.7498/aps.67.20172104
    [7] 贺 涛, 周正欧. 基于分形自仿射的混沌时间序列预测. 物理学报, 2007, 56(2): 693-700. doi: 10.7498/aps.56.693
    [8] 李军, 张友鹏. 基于高斯过程的混沌时间序列单步与多步预测. 物理学报, 2011, 60(7): 070513. doi: 10.7498/aps.60.070513
    [9] 叶美盈, 汪晓东, 张浩然. 基于在线最小二乘支持向量机回归的混沌时间序列预测. 物理学报, 2005, 54(6): 2568-2573. doi: 10.7498/aps.54.2568
    [10] 王新迎, 韩敏. 多元混沌时间序列的多核极端学习机建模预测. 物理学报, 2015, 64(7): 070504. doi: 10.7498/aps.64.070504
  • 引用本文:
    Citation:
计量
  • 文章访问数:  578
  • PDF下载量:  383
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-05-08
  • 修回日期:  2015-06-03
  • 刊出日期:  2015-10-20

基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测

  • 1. 新疆大学电气工程学院, 乌鲁木齐 830047;
  • 2. 清华大学自动化系, 北京 100084;
  • 3. 新疆大学机械工程学院, 乌鲁木齐 830047
    基金项目: 

    国家自然科学基金(批准号: 61463047)和自治区研究生科研创新项目(批准号: XJGRI2015039) 资助的课题.

摘要: 针对传统预测模型对混沌时间序列预测精度低、收敛速度慢及模型结构复杂的问题, 提出了基于改进教学优化算法的Hermite正交基神经网络预测模型. 首先, 将自相关法和Cao方法相结合对混沌时间序列进行相空间重构, 以获得重构延迟时间向量; 其次, 以Hermite正交基函数为激励函数构成Hermite正交基神经网络, 作为预测模型; 最后, 将模型参数优化问题转化为多维空间上的函数优化问题, 利用改进教学优化算法对预测模型进行参数优化, 以建立预测模型并进行预测分析. 分别以Lorenz 系统和Liu系统为模型, 通过四阶Runge-Kutta法产生混沌时间序列作为仿真对象, 并进行单步及多步预测对比实验. 仿真结果表明, 与径向基函数神经网络、回声状态网络、最小二乘支持向量机及基于教学优化算法的Hermite正交基神经网络预测模型相比, 所提预测模型具有更高的预测精度、更快的收敛速度和更简单的模型结构, 验证了该模型的高效性, 便于推广和应用.

English Abstract

参考文献 (25)

目录

    /

    返回文章
    返回