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

多元混沌时间序列的多核极端学习机建模预测

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

王新迎, 韩敏
PDF
导出引用
导出核心图
  • 多元混沌时间序列广泛存在于自然、经济、社会、工业等领域. 对多元混沌时间序列进行建模预测有助于人类更好地管理, 控制与决策. 针对多元混沌时间序列的建模预测问题, 本文提出一种基于多核极端学习机的预测方法. 首先对多元混沌时间序列进行相空间重构, 将多元混沌时间序列序列的时间相关性转化为空间相关性. 提出一种结合多核学习算法与核极端学习机模型的多核极端学习机建立相空间中输入输出数据的非线性映射. 多核极端学习机模型结合了多核学习算法的数据融合能力以及核极端学习机的训练简便优势. 基于Lorenz混沌时间序列预测和San Francisco河流月径流量预测的仿真实验表明, 与其他常见混沌时间序列预测方法相比, 本文提出的基于多核极端学习机的多元混沌时间序列预测方法具有更小的预测误差.
    • 基金项目: 国家自然科学基金(批准号: 61374154)和国家重点基础研究发展计划(973计划) (批准号: 2013CB430403)资助的课题.
    [1]

    Deyle E, Sugihara G 2011 PLoS ONE 6 e18295

    [2]

    De Gooijer J G, Hyndman R J 2006 Int. J. Forecasting 22 443

    [3]

    Frenzel S, Pompe B 2007 Phys. Rev. Lett. 99 204101

    [4]

    Wang X Y, Han M 2012 Acta Phys. Sin. 61 80507 (in Chinese) [王新迎, 韩敏 2012 物理学报 61 80507]

    [5]

    Grigorievskiy A, Miche Y, Ventela A M, Severin E, Lendasse A 2014 Neural Netw. 51 50

    [6]

    Butcher J B, Verstraeten D, Schrauwen B, Day C R, Haycock P W 2013 Neural Netw. 38 76

    [7]

    Tang Z J, Ren F, Peng T, Wang W B 2014 Acta Phys. Sin. 63 50505 (in Chinese) [唐舟进, 任峰, 彭涛, 王文博 2014 物理学报 63 50505]

    [8]

    Sapankevych N, Sankar R 2009 IEEE Comput. Intell. M. 4 24

    [9]

    Huang G B, Zhou H M, Ding X J, Zhang R 2012 IEEE Trans. Syst. Man Cybern. B Cybern. 42 513

    [10]

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

    [11]

    Wang H Q, Sun F C, Cai Y N, Chen N, Ding L G 2010 Acta Autom. Sin. 36 1037 (in Chinese) [汪洪桥, 孙富春, 蔡艳宁, 陈宁, 丁林阁 2010 自动化学报 36 1037]

    [12]

    Gönen M, Alpaydin E 2011 J. Mach. Learn. Res. 12 2211

    [13]

    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]

    [14]

    Rakotomamonjy A, Bach F, Canu S, Grandvalet Y 2008 J. Mach. Learn. Res. 9 2491

    [15]

    Takens F 1981 Dynam. Syst. Turbul. 898 366

    [16]

    Liang N Y, Huang G B, Saratchandran P, Sundararajan N 2006 IEEE Trans. Neurl Netw. 17 1411

    [17]

    Hipel K W, McLeod A I 1994 Time series modelling of water resources and environmental systems. (Amsterdam: Elsevier) p553

  • [1]

    Deyle E, Sugihara G 2011 PLoS ONE 6 e18295

    [2]

    De Gooijer J G, Hyndman R J 2006 Int. J. Forecasting 22 443

    [3]

    Frenzel S, Pompe B 2007 Phys. Rev. Lett. 99 204101

    [4]

    Wang X Y, Han M 2012 Acta Phys. Sin. 61 80507 (in Chinese) [王新迎, 韩敏 2012 物理学报 61 80507]

    [5]

    Grigorievskiy A, Miche Y, Ventela A M, Severin E, Lendasse A 2014 Neural Netw. 51 50

    [6]

    Butcher J B, Verstraeten D, Schrauwen B, Day C R, Haycock P W 2013 Neural Netw. 38 76

    [7]

    Tang Z J, Ren F, Peng T, Wang W B 2014 Acta Phys. Sin. 63 50505 (in Chinese) [唐舟进, 任峰, 彭涛, 王文博 2014 物理学报 63 50505]

    [8]

    Sapankevych N, Sankar R 2009 IEEE Comput. Intell. M. 4 24

    [9]

    Huang G B, Zhou H M, Ding X J, Zhang R 2012 IEEE Trans. Syst. Man Cybern. B Cybern. 42 513

    [10]

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

    [11]

    Wang H Q, Sun F C, Cai Y N, Chen N, Ding L G 2010 Acta Autom. Sin. 36 1037 (in Chinese) [汪洪桥, 孙富春, 蔡艳宁, 陈宁, 丁林阁 2010 自动化学报 36 1037]

    [12]

    Gönen M, Alpaydin E 2011 J. Mach. Learn. Res. 12 2211

    [13]

    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]

    [14]

    Rakotomamonjy A, Bach F, Canu S, Grandvalet Y 2008 J. Mach. Learn. Res. 9 2491

    [15]

    Takens F 1981 Dynam. Syst. Turbul. 898 366

    [16]

    Liang N Y, Huang G B, Saratchandran P, Sundararajan N 2006 IEEE Trans. Neurl Netw. 17 1411

    [17]

    Hipel K W, McLeod A I 1994 Time series modelling of water resources and environmental systems. (Amsterdam: Elsevier) p553

  • [1] 王永生, 孙 瑾, 王昌金, 范洪达. 变参数混沌时间序列的神经网络预测研究. 物理学报, 2008, 57(10): 6120-6131. doi: 10.7498/aps.57.6120
    [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] 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
    [4] 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
    [5] 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. 物理学报, 2015, 64(20): 200506. doi: 10.7498/aps.64.200506
    [6] 魏德志, 陈福集, 郑小雪. 基于混沌理论和改进径向基函数神经网络的网络舆情预测方法. 物理学报, 2015, 64(11): 110503. doi: 10.7498/aps.64.110503
    [7] 李鹤, 杨周, 张义民, 闻邦椿. 基于径向基神经网络预测的混沌时间序列嵌入维数估计方法. 物理学报, 2011, 60(7): 070512. doi: 10.7498/aps.60.070512
    [8] 毛媛, 郭立新, 丁慧芬, 刘伟. 基于高频雷达多普勒谱预测风向的一种新方法. 物理学报, 2012, 61(4): 044201. doi: 10.7498/aps.61.044201
    [9] 张弦, 王宏力. 基于Cholesky分解的增量式RELM及其在时间序列预测中的应用. 物理学报, 2011, 60(11): 110201. doi: 10.7498/aps.60.110201
    [10] 张弦, 王宏力. 具有选择与遗忘机制的极端学习机在时间序列预测中的应用. 物理学报, 2011, 60(8): 080504. doi: 10.7498/aps.60.080504
  • 引用本文:
    Citation:
计量
  • 文章访问数:  730
  • PDF下载量:  509
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-07-29
  • 修回日期:  2014-09-05
  • 刊出日期:  2015-04-05

多元混沌时间序列的多核极端学习机建模预测

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

    国家自然科学基金(批准号: 61374154)和国家重点基础研究发展计划(973计划) (批准号: 2013CB430403)资助的课题.

摘要: 多元混沌时间序列广泛存在于自然、经济、社会、工业等领域. 对多元混沌时间序列进行建模预测有助于人类更好地管理, 控制与决策. 针对多元混沌时间序列的建模预测问题, 本文提出一种基于多核极端学习机的预测方法. 首先对多元混沌时间序列进行相空间重构, 将多元混沌时间序列序列的时间相关性转化为空间相关性. 提出一种结合多核学习算法与核极端学习机模型的多核极端学习机建立相空间中输入输出数据的非线性映射. 多核极端学习机模型结合了多核学习算法的数据融合能力以及核极端学习机的训练简便优势. 基于Lorenz混沌时间序列预测和San Francisco河流月径流量预测的仿真实验表明, 与其他常见混沌时间序列预测方法相比, 本文提出的基于多核极端学习机的多元混沌时间序列预测方法具有更小的预测误差.

English Abstract

参考文献 (17)

目录

    /

    返回文章
    返回