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

引用本文:
Citation:

基于极端学习机的多变量混沌时间序列预测

王新迎, 韩敏

Multivariate chaotic time series prediction based on extreme learning machine

Wang Xin-Ying, Han Min
PDF
导出引用
  • 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.
    For multivariate chaotic time series prediction problem, a prediction based on input variable selection and extreme learning machine is proposed in this paper. The multivariate chaotic time series is reconstructed in phase space, and a mutual information based method is used to select the input variables, which have high statistics information with the output variables. The extreme learning machine is conducted to model the multivariate chaotic time series in the phase space by utilizing its approximation capability. In order to improve the prediction accuracy, a model selection algorithm is conducted for extreme learning machine to choose an expected minimum risk prediction model. Simulation results based on Lorenz, Rssler multivariate chaotic time series and Rssler hyperchaotic time series show the effectiveness of the proposed method.
    • 基金项目: 国家自然科学基金(批准号: 61074096)资助的课题.
    • Funds: Project supported by the National Natural Science Foundation of China (Grant No. 61074096).
    [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

计量
  • 文章访问数:  5559
  • PDF下载量:  1217
  • 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