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

基于径向基函数神经网络的混沌时间序列相空间重构双参数联合估计

陈帝伊 柳烨 马孝义

引用本文:
Citation:

基于径向基函数神经网络的混沌时间序列相空间重构双参数联合估计

陈帝伊, 柳烨, 马孝义

Parameter joint estimation of phase space reconstruction in chaotic time series based on radial basis function neural networks

Chen Di-Yi, Liu Ye, Ma Xiao-Yi
PDF
导出引用
  • 鉴于径向基函数(RBF)神经网络模型在非线性预测方面的优良性能, 提出了利用该预测模型对混沌时间序列相空间重构的两个关键参数——延迟时间和嵌入维数进行联合估计的方法, 并以客观的评价指标为依据给出其最优估计值. 以Lorenz系统为例进行数值分析, 得到RBF单步及多步预测模型中嵌入维数和延迟时间的最佳参数估计值, 并在原模型中对估计值进行校验. 结果表明, 该方法可以有效地估计出嵌入维数和延迟时间, 从而显著提高预测精度.
    In this paper, we propose a joint estimation method of two parameters for phase space reconstruction in chaotic time series, based on radial basis function (RBF) neural networks. And we obtain the best estimation values, according to some objective standards. Furthermore, The single-step and multi-step RBF prediction model is used to estimate the best embedding dimension and delay time, and Lorenz system is selected as an example. Finally, the estimation values are tested in the original model. The simulations show that we can obtain the best estimation values through the method, and the prediction accuracy is significantly improved.
    • 基金项目: 国家自然科学基金(批准号: 51109180) 和西北农林科技大学人才专项基金(批准号: RCZX-2009-01)资助的课题.
    • Funds: Project supported by the National Natural Science Foundation of China (Grant No. 51109180) and Personnel Special Fund of North West A&F University, China (Grant No. RCZX-2009-01).
    [1]

    Xu X, Zhang J, Small M 2008 Proc. Nat. Acad. Sci. USA 2008 19601

    [2]

    Zhang J, Zhang K, Feng J F, Small M 2010 Plos Comput. Biol. 12 1001033

    [3]

    Zhang J, Small M 2006 Phys. Rev. Lett. 96 238701

    [4]

    Bao B C, Liu Z, Xu J P 2010 Chin. Phys. B 19 030510

    [5]

    Chen D Y, Zhao W L, Ma X Y, Zhang R F 2011 Comput. Math. Appl. 61 3161

    [6]

    Li H, Yang Z, Zhang Y M, Wen B C 2011 Acta Phys. Sin. 60 070512 (in Chinese) [李鹤, 杨周, 张义民, 闻邦椿 2011 物理学报 60 070512]

    [7]

    Chen D Y, Shen T, Ma X Y 2011 Acta Phys. Sin. 60 050505 (in Chinese) [陈帝伊, 申滔, 马孝义 2011 物理学报 60 050505]

    [8]

    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]

    [9]

    Lü J H, Lu J A, Chen S H 2002 Analysis and Application of Chaos Time Series (Hubei: Wuhan University Press) p57 (in Chinese) [吕金虎, 陆君安, 陈士华 2002 混沌时间序列分析及其应用(湖北: 武汉大学出版社) 第57页]

    [10]

    Prokhorov M D, Ponomarenko V I, Karavaev A S, Bezruchko B P 2005 Physica D: Nonlinear Phenomena 203 209

    [11]

    Jin F B, Zhang K W, Zhong J X 2011 Chin. Phys. B 20 076701

    [12]

    Wang J S, Yuan J, Li Q, Yuan R X 2011 Chin. Phys. B 20 050506

    [13]

    Kostelich E J 1997 Sys. Control Lett. 31 313

    [14]

    Lei M, Wang Z Z, Feng Z J 2002 Phys. Lett. A 303 179

    [15]

    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]

    [16]

    Maus A, Sprott J C Commun. Nonlinear Sci. Numer. Simul. 16 3294

    [17]

    Small M, Tse C K 2004 Physica D: Nonlinear Phenomena 194 283

    [18]

    Xie W J, Zhou W X 2011 Physica A 390 3592

    [19]

    Yang S Q, Jia C Y 2002 Acta Phys. Sin. 51 2452 (in Chinese) [杨绍清, 贾传荧 2002 物理学报 51 2452]

    [20]

    Yu D P, Zhao D Y 2009 J. Dalian Univ. Technol. 49 540

    [21]

    You R Y, Chen Z, Xu S C, Wu B X 2004 Acta Phys. Sin. 53 2882 (in Chinese) [游荣义, 陈忠, 徐慎初, 吴伯僖 2004 物理学报 53 2882]

    [22]

    Chen Z, Zeng Y C, Fu Z J 2008 Acta Phys. Sin. 57 46 (in Chinese) [陈争, 曾以成, 付志坚 2008 物理学报 57 46]

    [23]

    Zhang C T, Ma Q L, Peng H 2011 Acta Phys. Sin. 60 7623 (in Chinese) [张春涛, 马千里, 彭宏 2011 物理学报 60 7623]

    [24]

    John M, Chris D 1988 Neural Networks 1 202

    [25]

    Takens F 1981 Lecture Notes Maths 898 366

    [26]

    Jiang W J, Zhang L M, Wang P 2008 Appl. Math. Comput. 205 123

  • [1]

    Xu X, Zhang J, Small M 2008 Proc. Nat. Acad. Sci. USA 2008 19601

    [2]

    Zhang J, Zhang K, Feng J F, Small M 2010 Plos Comput. Biol. 12 1001033

    [3]

    Zhang J, Small M 2006 Phys. Rev. Lett. 96 238701

    [4]

    Bao B C, Liu Z, Xu J P 2010 Chin. Phys. B 19 030510

    [5]

    Chen D Y, Zhao W L, Ma X Y, Zhang R F 2011 Comput. Math. Appl. 61 3161

    [6]

    Li H, Yang Z, Zhang Y M, Wen B C 2011 Acta Phys. Sin. 60 070512 (in Chinese) [李鹤, 杨周, 张义民, 闻邦椿 2011 物理学报 60 070512]

    [7]

    Chen D Y, Shen T, Ma X Y 2011 Acta Phys. Sin. 60 050505 (in Chinese) [陈帝伊, 申滔, 马孝义 2011 物理学报 60 050505]

    [8]

    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]

    [9]

    Lü J H, Lu J A, Chen S H 2002 Analysis and Application of Chaos Time Series (Hubei: Wuhan University Press) p57 (in Chinese) [吕金虎, 陆君安, 陈士华 2002 混沌时间序列分析及其应用(湖北: 武汉大学出版社) 第57页]

    [10]

    Prokhorov M D, Ponomarenko V I, Karavaev A S, Bezruchko B P 2005 Physica D: Nonlinear Phenomena 203 209

    [11]

    Jin F B, Zhang K W, Zhong J X 2011 Chin. Phys. B 20 076701

    [12]

    Wang J S, Yuan J, Li Q, Yuan R X 2011 Chin. Phys. B 20 050506

    [13]

    Kostelich E J 1997 Sys. Control Lett. 31 313

    [14]

    Lei M, Wang Z Z, Feng Z J 2002 Phys. Lett. A 303 179

    [15]

    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]

    [16]

    Maus A, Sprott J C Commun. Nonlinear Sci. Numer. Simul. 16 3294

    [17]

    Small M, Tse C K 2004 Physica D: Nonlinear Phenomena 194 283

    [18]

    Xie W J, Zhou W X 2011 Physica A 390 3592

    [19]

    Yang S Q, Jia C Y 2002 Acta Phys. Sin. 51 2452 (in Chinese) [杨绍清, 贾传荧 2002 物理学报 51 2452]

    [20]

    Yu D P, Zhao D Y 2009 J. Dalian Univ. Technol. 49 540

    [21]

    You R Y, Chen Z, Xu S C, Wu B X 2004 Acta Phys. Sin. 53 2882 (in Chinese) [游荣义, 陈忠, 徐慎初, 吴伯僖 2004 物理学报 53 2882]

    [22]

    Chen Z, Zeng Y C, Fu Z J 2008 Acta Phys. Sin. 57 46 (in Chinese) [陈争, 曾以成, 付志坚 2008 物理学报 57 46]

    [23]

    Zhang C T, Ma Q L, Peng H 2011 Acta Phys. Sin. 60 7623 (in Chinese) [张春涛, 马千里, 彭宏 2011 物理学报 60 7623]

    [24]

    John M, Chris D 1988 Neural Networks 1 202

    [25]

    Takens F 1981 Lecture Notes Maths 898 366

    [26]

    Jiang W J, Zhang L M, Wang P 2008 Appl. Math. Comput. 205 123

计量
  • 文章访问数:  3495
  • PDF下载量:  940
  • 被引次数: 0
出版历程
  • 收稿日期:  2011-08-02
  • 修回日期:  2012-05-28
  • 刊出日期:  2012-05-05

基于径向基函数神经网络的混沌时间序列相空间重构双参数联合估计

  • 1. 西北农林科技大学水利与建筑工程学院电气工程系, 杨凌 712100
    基金项目: 

    国家自然科学基金(批准号: 51109180) 和西北农林科技大学人才专项基金(批准号: RCZX-2009-01)资助的课题.

摘要: 鉴于径向基函数(RBF)神经网络模型在非线性预测方面的优良性能, 提出了利用该预测模型对混沌时间序列相空间重构的两个关键参数——延迟时间和嵌入维数进行联合估计的方法, 并以客观的评价指标为依据给出其最优估计值. 以Lorenz系统为例进行数值分析, 得到RBF单步及多步预测模型中嵌入维数和延迟时间的最佳参数估计值, 并在原模型中对估计值进行校验. 结果表明, 该方法可以有效地估计出嵌入维数和延迟时间, 从而显著提高预测精度.

English Abstract

参考文献 (26)

目录

    /

    返回文章
    返回