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

基于鲁棒极端学习机的混沌时间序列建模预测

沈力华 陈吉红 曾志刚 金健

基于鲁棒极端学习机的混沌时间序列建模预测

沈力华, 陈吉红, 曾志刚, 金健
PDF
导出引用
导出核心图
  • 针对混沌时间序列预测模型易受异常点影响,导致模型预测精度低的问题,在贝叶斯框架下提出一种鲁棒极端学习机.所提模型将具有重尾分布特性的高斯混合分布作为模型输出似然函数,得到一种对异常点和噪声更具鲁棒性的预测模型.但由于将高斯混合分布作为模型输出似然函数后,模型输出的边缘似然函数变成难以解析处理的形式,因此引入变分方法进行近似推理,实现模型参数的估计.在加入异常点和噪声的情况下,将所提模型应用于大气环流模拟模型方程Lorenz序列以及Rossler混沌时间序列和太阳黑子混沌时间序列的预测中,预测结果验证了所提模型的有效性.
      通信作者: 金健, D201477195@hust.edu.cn
    • 基金项目: 国家自然科学基金(批准号:51575210)和国家科技重大专项(批准号:2014ZX04001051)资助的课题.
    [1]

    Xiu C B, Xu M 2010 Acta Phys. Sin. 59 7650 (in Chinese) [修春波, 徐勐 2010 物理学报 59 7650]

    [2]

    Han M, Xu M L 2013 Acta Phys. Sin. 62 120510 (in Chinese) [韩敏, 许美玲 2013 物理学报 62 120510]

    [3]

    Zhang J S, Xiao X C 2000 Acta Phys. Sin. 49 403 (in Chinese) [张家树, 肖先赐 2000 物理学报 49 403]

    [4]

    Li D C, Han M, Wang J 2012 IEEE Trans. Neural Netw. Learn. Syst. 23 787

    [5]

    Wang X Y, Han M 2015 Acta Phys. Sin. 64 070504 (in Chinese) [王新迎, 韩敏 2015 物理学报 64 070504]

    [6]

    Li R G, Zhang H L, Fan W H, Wang Y 2015 Acta Phys. Sin. 64 200506 (in Chinese) [李瑞国, 张宏立, 范文慧, 王雅 2015 物理学报 64 200506]

    [7]

    Chandra R, Ong Y S, Goh C K 2017 Neurocomputing 243 21

    [8]

    Politi A 2017 Phys. Rev. Lett. 118 144101

    [9]

    Ye B, Chen J, Ju C 2017 Comput. Nonlin. Scien. Num. Simul. 44 284

    [10]

    Koskela T, Lehtokangas M, Saarinen J, Kask K 1996 Proceedings of the World Congress on Neural Networks (San Diego: INNS Press) p491

    [11]

    Jaeger H, Haas H 2004 Science 304 78

    [12]

    Dutoit X, Schrauwen B, van Campenhout J 2009 Neurocomputing 72 1534

    [13]

    Ma Q L, Zheng Q L, Peng H, Tan J W 2009 Acta Phys. Sin. 58 1410 (in Chinese) [马千里, 郑启伦, 彭宏, 覃姜维 2009 物理学报 58 1410]

    [14]

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

    [15]

    Soria-Olivas E, Gomez-Sanchis J, Martin J D 2011 IEEE Trans. Neural Netw. 22 505

    [16]

    Huang G B, Wang D H, Lan Y 2011 Int. J. Mach. Learn. Cybern. 2 107

    [17]

    Han M, Xi J, Xu S 2004 IEEE Trans. Sig. Proc. 52 3409

    [18]

    Liu X, Wang L, Huang G B 2015 Neurocomputing 149 253

    [19]

    Lu H, Du B, Liu J 2017 Memet. Comput. 9 121

    [20]

    Wang X, Han M 2015 Engin. Appl. Artif. Intell. 40 28

    [21]

    Tang J, Deng C, Huang G B 2016 IEEE Trans. Neural Netw. Learn. Syst. 27 809

    [22]

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

    [23]

    Tipping M E, Lawrence N D 2005 Neurocomputing 69 123

    [24]

    Tipping M E 2001 J. Mach. Learn. Res. 1 211

    [25]

    Faul A C, Tipping M E 2001 International Conference on Artificial Neural Networks Vienna, Austria, August 21-25, 2001 p95

    [26]

    Wang B, Titterington D M 2006 Bayes. Analys. 1 625

  • [1]

    Xiu C B, Xu M 2010 Acta Phys. Sin. 59 7650 (in Chinese) [修春波, 徐勐 2010 物理学报 59 7650]

    [2]

    Han M, Xu M L 2013 Acta Phys. Sin. 62 120510 (in Chinese) [韩敏, 许美玲 2013 物理学报 62 120510]

    [3]

    Zhang J S, Xiao X C 2000 Acta Phys. Sin. 49 403 (in Chinese) [张家树, 肖先赐 2000 物理学报 49 403]

    [4]

    Li D C, Han M, Wang J 2012 IEEE Trans. Neural Netw. Learn. Syst. 23 787

    [5]

    Wang X Y, Han M 2015 Acta Phys. Sin. 64 070504 (in Chinese) [王新迎, 韩敏 2015 物理学报 64 070504]

    [6]

    Li R G, Zhang H L, Fan W H, Wang Y 2015 Acta Phys. Sin. 64 200506 (in Chinese) [李瑞国, 张宏立, 范文慧, 王雅 2015 物理学报 64 200506]

    [7]

    Chandra R, Ong Y S, Goh C K 2017 Neurocomputing 243 21

    [8]

    Politi A 2017 Phys. Rev. Lett. 118 144101

    [9]

    Ye B, Chen J, Ju C 2017 Comput. Nonlin. Scien. Num. Simul. 44 284

    [10]

    Koskela T, Lehtokangas M, Saarinen J, Kask K 1996 Proceedings of the World Congress on Neural Networks (San Diego: INNS Press) p491

    [11]

    Jaeger H, Haas H 2004 Science 304 78

    [12]

    Dutoit X, Schrauwen B, van Campenhout J 2009 Neurocomputing 72 1534

    [13]

    Ma Q L, Zheng Q L, Peng H, Tan J W 2009 Acta Phys. Sin. 58 1410 (in Chinese) [马千里, 郑启伦, 彭宏, 覃姜维 2009 物理学报 58 1410]

    [14]

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

    [15]

    Soria-Olivas E, Gomez-Sanchis J, Martin J D 2011 IEEE Trans. Neural Netw. 22 505

    [16]

    Huang G B, Wang D H, Lan Y 2011 Int. J. Mach. Learn. Cybern. 2 107

    [17]

    Han M, Xi J, Xu S 2004 IEEE Trans. Sig. Proc. 52 3409

    [18]

    Liu X, Wang L, Huang G B 2015 Neurocomputing 149 253

    [19]

    Lu H, Du B, Liu J 2017 Memet. Comput. 9 121

    [20]

    Wang X, Han M 2015 Engin. Appl. Artif. Intell. 40 28

    [21]

    Tang J, Deng C, Huang G B 2016 IEEE Trans. Neural Netw. Learn. Syst. 27 809

    [22]

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

    [23]

    Tipping M E, Lawrence N D 2005 Neurocomputing 69 123

    [24]

    Tipping M E 2001 J. Mach. Learn. Res. 1 211

    [25]

    Faul A C, Tipping M E 2001 International Conference on Artificial Neural Networks Vienna, Austria, August 21-25, 2001 p95

    [26]

    Wang B, Titterington D M 2006 Bayes. Analys. 1 625

  • 引用本文:
    Citation:
计量
  • 文章访问数:  1285
  • PDF下载量:  238
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-08-22
  • 修回日期:  2017-10-24
  • 刊出日期:  2018-02-05

基于鲁棒极端学习机的混沌时间序列建模预测

  • 1. 华中科技大学机械科学与工程学院, 武汉 430074;
  • 2. 华中科技大学自动化学院, 武汉 430074
  • 通信作者: 金健, D201477195@hust.edu.cn
    基金项目: 

    国家自然科学基金(批准号:51575210)和国家科技重大专项(批准号:2014ZX04001051)资助的课题.

摘要: 针对混沌时间序列预测模型易受异常点影响,导致模型预测精度低的问题,在贝叶斯框架下提出一种鲁棒极端学习机.所提模型将具有重尾分布特性的高斯混合分布作为模型输出似然函数,得到一种对异常点和噪声更具鲁棒性的预测模型.但由于将高斯混合分布作为模型输出似然函数后,模型输出的边缘似然函数变成难以解析处理的形式,因此引入变分方法进行近似推理,实现模型参数的估计.在加入异常点和噪声的情况下,将所提模型应用于大气环流模拟模型方程Lorenz序列以及Rossler混沌时间序列和太阳黑子混沌时间序列的预测中,预测结果验证了所提模型的有效性.

English Abstract

参考文献 (26)

目录

    /

    返回文章
    返回