搜索

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

基于极端学习机的多变量混沌时间序列预测

王新迎 韩敏

基于极端学习机的多变量混沌时间序列预测

王新迎, 韩敏
PDF
导出引用
导出核心图
  • 针对多变量混沌时间序列预测问题, 提出了一种基于输入变量选择和极端学习机的预测模型. 其基本思想是 对多变量混沌时间序列进行相空间重构后, 采用互信息方法选择与预测输出统计相关最高的重构输入变量, 借助极端学习机的通用逼近能力建立多变量混沌时间序列的预测模型. 为进一步提高预测精度, 采用模型选择算法选择具有最小期望风险的极端学习机预测模型. 基于Lorenz, Rssler多变量混沌时间序列及Rssler超混沌时间序列的仿真结果证明所提方法的有效性.
    • 基金项目: 国家自然科学基金(批准号: 61074096)资助的课题.
    [1]

    Zhang S Q, Jia J, Gao M, Han X 2010 Acta Phys. Sin. 59 1576 (in Chinese) [张淑清, 贾健, 高敏, 韩叙 2010 物理学报 59 1576]

    [2]

    Cao L, Mees A, Judd K 1998 Physica D 121 75

    [3]

    Chakraborty K, Mehrotra K, Mohan C K, Ranka S 1992 Neural Networks 5 961

    [4]

    Zhang J F, Hu S S 2008 Acta Phys. Sin. 57 2708 (in Chinese) [张军峰, 胡寿松 2008 物理学报 57 2708]

    [5]

    Song Q S, Feng Z R, Li R H 2009 Acta Phys. Sin. 58 5057 (in Chinese) [宋青松, 冯祖仁, 李人厚 2009 物理学报 58 5057]

    [6]

    Han M, Shi Z W, Guo W 2007 Acta Phys. Sin. 56 43 (in Chinese) [韩敏, 史志伟, 郭伟 2007 物理学报 56 43]

    [7]

    Huang G B, Zhu Q Y, Siew C K 2006 Neurocomputing 70 489

    [8]

    Chapelle O, Vapnik V, Bengio Y 2002 Mach. Learn. 48 9

    [9]

    Takens F 1981 Dynam. Syst. Turbul. 898 366

    [10]

    Zhang C T, Ma Q L, Peng H 2010 Acta Phys. Sin. 59 7623 (in Chinese) [张春涛, 马千里, 彭宏 2010 物理学报 59 7623]

    [11]

    Kohavi R, John G H 1997 Artif. Intell. 97 273

    [12]

    Peng H, Long F, Ding C 2005 IEEE Trans. Pattern Anal. Mach. Intell. 27 1226

  • [1]

    Zhang S Q, Jia J, Gao M, Han X 2010 Acta Phys. Sin. 59 1576 (in Chinese) [张淑清, 贾健, 高敏, 韩叙 2010 物理学报 59 1576]

    [2]

    Cao L, Mees A, Judd K 1998 Physica D 121 75

    [3]

    Chakraborty K, Mehrotra K, Mohan C K, Ranka S 1992 Neural Networks 5 961

    [4]

    Zhang J F, Hu S S 2008 Acta Phys. Sin. 57 2708 (in Chinese) [张军峰, 胡寿松 2008 物理学报 57 2708]

    [5]

    Song Q S, Feng Z R, Li R H 2009 Acta Phys. Sin. 58 5057 (in Chinese) [宋青松, 冯祖仁, 李人厚 2009 物理学报 58 5057]

    [6]

    Han M, Shi Z W, Guo W 2007 Acta Phys. Sin. 56 43 (in Chinese) [韩敏, 史志伟, 郭伟 2007 物理学报 56 43]

    [7]

    Huang G B, Zhu Q Y, Siew C K 2006 Neurocomputing 70 489

    [8]

    Chapelle O, Vapnik V, Bengio Y 2002 Mach. Learn. 48 9

    [9]

    Takens F 1981 Dynam. Syst. Turbul. 898 366

    [10]

    Zhang C T, Ma Q L, Peng H 2010 Acta Phys. Sin. 59 7623 (in Chinese) [张春涛, 马千里, 彭宏 2010 物理学报 59 7623]

    [11]

    Kohavi R, John G H 1997 Artif. Intell. 97 273

    [12]

    Peng H, Long F, Ding C 2005 IEEE Trans. Pattern Anal. Mach. Intell. 27 1226

  • 引用本文:
    Citation:
计量
  • 文章访问数:  3410
  • PDF下载量:  1210
  • 被引次数: 0
出版历程
  • 收稿日期:  2011-07-17
  • 修回日期:  2012-04-28
  • 刊出日期:  2012-04-20

基于极端学习机的多变量混沌时间序列预测

  • 1. 大连理工大学 电子信息与电气工程学部, 大连 116023
    基金项目: 

    国家自然科学基金(批准号: 61074096)资助的课题.

摘要: 针对多变量混沌时间序列预测问题, 提出了一种基于输入变量选择和极端学习机的预测模型. 其基本思想是 对多变量混沌时间序列进行相空间重构后, 采用互信息方法选择与预测输出统计相关最高的重构输入变量, 借助极端学习机的通用逼近能力建立多变量混沌时间序列的预测模型. 为进一步提高预测精度, 采用模型选择算法选择具有最小期望风险的极端学习机预测模型. 基于Lorenz, Rssler多变量混沌时间序列及Rssler超混沌时间序列的仿真结果证明所提方法的有效性.

English Abstract

参考文献 (12)

目录

    /

    返回文章
    返回