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

基于一种新型聚类算法的RBF神经网络混沌时间序列预测

张军峰 胡寿松

引用本文:
Citation:

基于一种新型聚类算法的RBF神经网络混沌时间序列预测

张军峰, 胡寿松

Chaotic time series prediction based on RBF neural networks with a new clustering algorithm

Zhang Jun-Feng, Hu Shou-Song
PDF
导出引用
  • 运用两阶段学习方法构建径向基函数(RBF)神经网络模型预测混沌时间序列.在利用非监督学习算法确定网络隐层中心时,提出了一种基于高斯基的距离度量,并联合输入输出聚类的策略.基于Fisher可分离率设计高斯基距离度量中的惩罚因子,可以提高聚类的性能.而输入输出聚类策略的引入,建立了聚类性能与网络预测性能之间的联系.因此,根据本文方法构建的网络模型,一方面可以加快网络训练的速度,另一方面可以提高预测性能.将该方法对Mackey-Glass, Lorenz和Logistic混沌时间序列进行了预测仿真研究,仿真结果表明了该方法的有效性.
    Two-phase learning method is considered in this paper to configure the RBF neural networks for chaotic time series prediction. When determining the hidden-layer centers with the unsupervised learning algorithm, a new distance measure is presented based on Gaussian basis, and the strategy of input-output clustering is employed in combination. The punishment factor in Gaussian basis distance is designed based on Fisher separable ratio, which can improve the clustering performance. Moreover, the introduction of input-output clustering strategy establishes the relation between the clustering performance and the prediction performance. Therefore, the RBF neural networks constructed by this method can not only assure the compact structure, but also improve the prediction performance. This method is applied to Mackey-Glass, Lorenz and Logistic chaotic time series prediction, and the results indicate its validity.
    • 基金项目: 国家自然科学基金重点项目(批准号:60234010),航空科学基金(批准号:05E52031),国防基础科研项目(批准号:K1603060318)资助的课题.
计量
  • 文章访问数:  5083
  • PDF下载量:  2375
  • 被引次数: 0
出版历程
  • 收稿日期:  2006-05-16
  • 修回日期:  2006-06-19
  • 刊出日期:  2007-01-05

基于一种新型聚类算法的RBF神经网络混沌时间序列预测

  • 1. 南京航空航天大学自动化学院,210016 南京
    基金项目: 

    国家自然科学基金重点项目(批准号:60234010),航空科学基金(批准号:05E52031),国防基础科研项目(批准号:K1603060318)资助的课题.

摘要: 运用两阶段学习方法构建径向基函数(RBF)神经网络模型预测混沌时间序列.在利用非监督学习算法确定网络隐层中心时,提出了一种基于高斯基的距离度量,并联合输入输出聚类的策略.基于Fisher可分离率设计高斯基距离度量中的惩罚因子,可以提高聚类的性能.而输入输出聚类策略的引入,建立了聚类性能与网络预测性能之间的联系.因此,根据本文方法构建的网络模型,一方面可以加快网络训练的速度,另一方面可以提高预测性能.将该方法对Mackey-Glass, Lorenz和Logistic混沌时间序列进行了预测仿真研究,仿真结果表明了该方法的有效性.

English Abstract

目录

    /

    返回文章
    返回