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

过滤窗最小二乘支持向量机的混沌时间序列预测

赵永平 张丽艳 李德才 王立峰 蒋洪章

引用本文:
Citation:

过滤窗最小二乘支持向量机的混沌时间序列预测

赵永平, 张丽艳, 李德才, 王立峰, 蒋洪章

Chaotic time series prediction using filtering window based least squares support vector regression

Zhao Yong-Ping, Zhang Li-Yan, Li De-Cai, Wang Li-Feng, Jiang Hong-Zhang
PDF
导出引用
  • 传统的滑动窗策略只是简单且机械地将最远的数据移出窗口, 而将最近的数据移进窗口. 针对这种遗忘策略存在的缺陷, 提出了过滤窗策略. 过滤窗采用"优胜劣汰"的选择机制, 将对模型贡献比较大的数据留在窗口当中. 将过滤窗和最小二乘支持向量回归机相结合, 提出了过滤窗最小二乘支持向量回归机. 与滑动窗最小二乘支持向量回归机相比较, 过滤窗最小二乘支持向量回归机具有较小的计算量, 需要较短的窗口长度就能达到和滑动窗最小二乘支持向量回归机几乎相同的预测精度, 而较短的窗口长度又预示着较少的计算量和较好的实时性. 混沌时间序列在线建模和预测的实例表明了过滤窗最小二乘支持向量回归机的有效性和可行性.
    When the traditional strategy of sliding window (SW) deals with the flowing data, the data far from current position are mechanically and briefly moved out of the window, and the nearest ones are moved into the window. To solve the shortcomings of this forgetting mechanism, the strategy of filtering window (FW) is proposed, in which adopted is the mechanism for selecting the superior and eliminating the inferior, thus resulting in the data making more contributions to the will-built model to be kept in the window. Merging the filtering window with least squares support vector regression (LSSVR) yields the filtering window based LSSVR (FW-LSSVR for short). As opposed to traditional sliding window based LSSVR (SW-LSSVR for short), FW-LSSVR cuts down the computational complexity, and needs smaller window size to obtain the almost same prediction accuracy, thus suggesting the less computational burden and better real time. The experimental results on classical chaotic time series demonstrate the effectiveness and feasibility of the proposed FW-LSSVR.
    • 基金项目: 国家自然科学基金(批准号: 51006052)和南京理工大学"卓越计划""紫金之星"资助的课题.
    • Funds: Project supported by the National Natural Science Foundation of China (Grant No. 51006052) and the Outstanding Scholar Supported Program of Nanjing University of Scinece and Technology, China.
    [1]

    Zhang X, Wang H L 2011 Acta Phys. Sin. 60 080504 (in Chinese) [张弦, 王宏力 2011 物理学报 60 080504]

    [2]

    Cai J W, Hu S S, Tao H F 2007 Acta Phys. Sin. 56 6820 (in Chinese) [蔡俊伟, 胡寿松, 陶洪峰 2007 物理学报 56 6820]

    [3]

    Zhou Y D, Ma H, Lü W Y, Wang H Q 2007 Acta Phys. Sin. 56 6809 (in Chinese) [周永道, 马洪, 吕王勇, 王会琦 2007 物理学报 56 6809]

    [4]

    Joshi B P, Kumar S 2012 Cybern. Syst. 43 34

    [5]

    Mao J Q, Yao J, Ding H S 2009 Acta Phys. Sin. 58 2220 (in Chinese) [毛剑琴, 姚健, 丁海山 2009 物理学报 58 2220]

    [6]

    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]

    [7]

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

    [8]

    Song T, Li H 2012 Acta Phys. Sin. 61 080506 (in Chinese) [宋彤, 李菡 2012 物理学报 61 080506]

    [9]

    Zhang L, Zhou W D, Chang P C, Yang J W, Li F Z 2013 Neurocomputing 99 411

    [10]

    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]

    [11]

    Vapnik V N 1995 The Nature of Statistical Learning Theory (New York: Springer)

    [12]

    Vapnik V N 1999 IEEE Trans. Neural Netw. 10 1045

    [13]

    Ye M Y, Wang X D, Zhang H R 2005 Acta Phys. Sin. 54 2568 (in Chinese) [叶美盈, 汪晓东, 张浩然 2005 物理学报 54 2568]

    [14]

    Zhang H R, Wang X D 2006 Chin. J. Comput. 29 400 (in Chinese) [张浩然, 汪晓东 2006 计算机学报 29 400]

    [15]

    Fan Y G, Li P, Song Z H 2006 Control Decis. 21 1129 (in Chinese) [范玉刚, 李平, 宋执环 2006 控制与决策 21 1129]

    [16]

    Suykens J A K, Vandewalle J 1999 Neural Process. Lett. 9 293

    [17]

    Suykens J A K, van Gestel T, de Brabanter J, de Moor B, Vandewalle J 2002 Least Squares Support Vector Machines (Singapore: World Scientific)

    [18]

    Zhang X D 2004 Matrix Analysis and Applications (Beijing: Tsinghua University Press) (in Chinese) [张贤达 2004 矩阵分析与应用 (北京: 清华大学出版社)]

    [19]

    An S, Liu W, Venkatesh S 2007 Pattern Recognit. 40 2154

  • [1]

    Zhang X, Wang H L 2011 Acta Phys. Sin. 60 080504 (in Chinese) [张弦, 王宏力 2011 物理学报 60 080504]

    [2]

    Cai J W, Hu S S, Tao H F 2007 Acta Phys. Sin. 56 6820 (in Chinese) [蔡俊伟, 胡寿松, 陶洪峰 2007 物理学报 56 6820]

    [3]

    Zhou Y D, Ma H, Lü W Y, Wang H Q 2007 Acta Phys. Sin. 56 6809 (in Chinese) [周永道, 马洪, 吕王勇, 王会琦 2007 物理学报 56 6809]

    [4]

    Joshi B P, Kumar S 2012 Cybern. Syst. 43 34

    [5]

    Mao J Q, Yao J, Ding H S 2009 Acta Phys. Sin. 58 2220 (in Chinese) [毛剑琴, 姚健, 丁海山 2009 物理学报 58 2220]

    [6]

    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]

    [7]

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

    [8]

    Song T, Li H 2012 Acta Phys. Sin. 61 080506 (in Chinese) [宋彤, 李菡 2012 物理学报 61 080506]

    [9]

    Zhang L, Zhou W D, Chang P C, Yang J W, Li F Z 2013 Neurocomputing 99 411

    [10]

    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]

    [11]

    Vapnik V N 1995 The Nature of Statistical Learning Theory (New York: Springer)

    [12]

    Vapnik V N 1999 IEEE Trans. Neural Netw. 10 1045

    [13]

    Ye M Y, Wang X D, Zhang H R 2005 Acta Phys. Sin. 54 2568 (in Chinese) [叶美盈, 汪晓东, 张浩然 2005 物理学报 54 2568]

    [14]

    Zhang H R, Wang X D 2006 Chin. J. Comput. 29 400 (in Chinese) [张浩然, 汪晓东 2006 计算机学报 29 400]

    [15]

    Fan Y G, Li P, Song Z H 2006 Control Decis. 21 1129 (in Chinese) [范玉刚, 李平, 宋执环 2006 控制与决策 21 1129]

    [16]

    Suykens J A K, Vandewalle J 1999 Neural Process. Lett. 9 293

    [17]

    Suykens J A K, van Gestel T, de Brabanter J, de Moor B, Vandewalle J 2002 Least Squares Support Vector Machines (Singapore: World Scientific)

    [18]

    Zhang X D 2004 Matrix Analysis and Applications (Beijing: Tsinghua University Press) (in Chinese) [张贤达 2004 矩阵分析与应用 (北京: 清华大学出版社)]

    [19]

    An S, Liu W, Venkatesh S 2007 Pattern Recognit. 40 2154

  • [1] 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. 物理学报, 2018, 67(3): 030501. doi: 10.7498/aps.67.20171887
    [2] 赵志刚, 张纯杰, 苟向锋, 桑虎堂. 基于粒子群优化支持向量机的太阳电池温度预测. 物理学报, 2015, 64(8): 088801. doi: 10.7498/aps.64.088801
    [3] 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. 物理学报, 2015, 64(7): 070504. doi: 10.7498/aps.64.070504
    [4] 田中大, 高宪文, 石彤. 用于混沌时间序列预测的组合核函数最小二乘支持向量机. 物理学报, 2014, 63(16): 160508. doi: 10.7498/aps.63.160508
    [5] 赵永平, 王康康. 具有增加删除机制的正则化极端学习机的混沌时间序列预测. 物理学报, 2013, 62(24): 240509. doi: 10.7498/aps.62.240509
    [6] 行鸿彦, 祁峥东, 徐伟. 基于选择性支持向量机集成的海杂波背景中的微弱信号检测. 物理学报, 2012, 61(24): 240504. doi: 10.7498/aps.61.240504
    [7] 王芳芳, 张业荣. 基于支持向量机的电磁逆散射方法. 物理学报, 2012, 61(8): 084101. doi: 10.7498/aps.61.084101
    [8] 于艳华, 宋俊德. 基于信息冗余检验的支持向量机时间序列预测自由参数选取方法. 物理学报, 2012, 61(17): 170516. doi: 10.7498/aps.61.170516
    [9] 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
    [10] 阎晓妹, 刘丁. 基于最小二乘支持向量机的分数阶混沌系统控制. 物理学报, 2010, 59(5): 3043-3048. doi: 10.7498/aps.59.3043
    [11] 王革丽, 杨培才, 毛宇清. 基于支持向量机方法对非平稳时间序列的预测. 物理学报, 2008, 57(2): 714-719. doi: 10.7498/aps.57.714
    [12] 张军峰, 胡寿松. 基于多重核学习支持向量回归的混沌时间序列预测. 物理学报, 2008, 57(5): 2708-2713. doi: 10.7498/aps.57.2708
    [13] 张家树, 党建亮, 李恒超. 时空混沌序列的局域支持向量机预测. 物理学报, 2007, 56(1): 67-77. doi: 10.7498/aps.56.67
    [14] 蔡俊伟, 胡寿松, 陶洪峰. 基于选择性支持向量机集成的混沌时间序列预测. 物理学报, 2007, 56(12): 6820-6827. doi: 10.7498/aps.56.6820
    [15] 于振华, 蔡远利. 基于在线小波支持向量回归的混沌时间序列预测. 物理学报, 2006, 55(4): 1659-1665. doi: 10.7498/aps.55.1659
    [16] 叶美盈. 基于最小二乘支持向量机建模的混沌系统控制. 物理学报, 2005, 54(1): 30-34. doi: 10.7498/aps.54.30
    [17] 刘 涵, 刘 丁, 任海鹏. 基于最小二乘支持向量机的混沌控制. 物理学报, 2005, 54(9): 4019-4025. doi: 10.7498/aps.54.4019
    [18] 叶美盈, 汪晓东, 张浩然. 基于在线最小二乘支持向量机回归的混沌时间序列预测. 物理学报, 2005, 54(6): 2568-2573. doi: 10.7498/aps.54.2568
    [19] 崔万照, 朱长纯, 保文星, 刘君华. 基于模糊模型支持向量机的混沌时间序列预测. 物理学报, 2005, 54(7): 3009-3018. doi: 10.7498/aps.54.3009
    [20] 崔万照, 朱长纯, 保文星, 刘君华. 混沌时间序列的支持向量机预测. 物理学报, 2004, 53(10): 3303-3310. doi: 10.7498/aps.53.3303
计量
  • 文章访问数:  3302
  • PDF下载量:  658
  • 被引次数: 0
出版历程
  • 收稿日期:  2012-12-15
  • 修回日期:  2013-02-15
  • 刊出日期:  2013-06-05

过滤窗最小二乘支持向量机的混沌时间序列预测

  • 1. 南京理工大学, 智能弹药国防重点学科实验室, 南京 210094;
  • 2. 国营一二一厂, 牡丹江 157013
    基金项目: 国家自然科学基金(批准号: 51006052)和南京理工大学"卓越计划""紫金之星"资助的课题.

摘要: 传统的滑动窗策略只是简单且机械地将最远的数据移出窗口, 而将最近的数据移进窗口. 针对这种遗忘策略存在的缺陷, 提出了过滤窗策略. 过滤窗采用"优胜劣汰"的选择机制, 将对模型贡献比较大的数据留在窗口当中. 将过滤窗和最小二乘支持向量回归机相结合, 提出了过滤窗最小二乘支持向量回归机. 与滑动窗最小二乘支持向量回归机相比较, 过滤窗最小二乘支持向量回归机具有较小的计算量, 需要较短的窗口长度就能达到和滑动窗最小二乘支持向量回归机几乎相同的预测精度, 而较短的窗口长度又预示着较少的计算量和较好的实时性. 混沌时间序列在线建模和预测的实例表明了过滤窗最小二乘支持向量回归机的有效性和可行性.

English Abstract

参考文献 (19)

目录

    /

    返回文章
    返回