一、基于改进的RBF网络的混沌时间序列预测(论文文献综述)
张敏[1](2021)在《基于RBF神经网络的短时交通流预测研究》文中认为近些年,机动车数量的急速增长造成了如交通拥堵和交通事故等各类交通问题,智能交通系统的出现有效的缓解了这类问题。短时交通流预测作为智能交通系统中的一项关键技术,既可为系统中的交通诱导和管控提供一定的决策依据,又可为居民提供合理的出行路线。但是短时交通流由于其极强的随机性和复杂性,使得现有的各种预测模型很难保证预测的精确度和预测结果的时效性。就这一问题本文从交通流特性分析和数据预处理、RBF神经网络及其优化用于短时交通流预测方面展开了研究,主要工作如下:1.交通流特性分析和数据预处理。首先对采集的交通数据从趋势性、随机性和周期性三方面进行了特性分析,其次针对在交通流量采集过程中,由于受到外界因素干扰而导致的数据不准确的问题,本文对交通数据进行了修复和启发式小波阈值降噪,为后文研究提供数据支撑。2.建立了RBF神经网络的交通流预测模型。针对传统模型无法很好的预测短时交通流的问题,本文利用RBF神经网络进行交通流预测,研究了RBF神经网络的结构和结构参数对交通流预测的影响,提出利用C-C法确定神经网络的输入层节点数,用K-means方法确定隐含层神经元数和中心值,建立了RBF神经网络的预测结构。3.建立了基于IFA-RBF神经网络的交通流预测模型。首先针对RBF神经网络预测时易出现对网络初始参数敏感和易陷入局部极值的问题,本文提出利用萤火虫算法(Firefly Algorithm,FA)对其进行初始参数选优,避免网络陷入局部极值;其次针对FA易于陷入“早熟”的问题,通过在基本FA中引入线性递减惯性权重和混沌搜索机制,建立基于IFA-RBF神经网络的预测模型,进一步提高了RBF神经网络的预测精度和收敛速度。4.建立了基于FCM-IFA-RBF神经网络的交通流预测模型。针对单个RBF神经网络预测精度低和对交通流特性考虑不充分的问题,本文提出从交通数据自身特征出发,利用FCM算法对数据进行交通模式划分,针对不同的模式训练不同的IFA-RBF神经网络子模型,并由所有子模型共同完成预测,进一步提高了神经网络预测的准确性。
秦赫[2](2020)在《基于混沌时间序列和RBF神经网络的微电网电压安全评估和预测方法》文中研究说明全球能源紧缺以及环境越来越恶化的情况下,微电网的研究与开发逐渐得到国内外的一致认可。微电网指的是一种能够将储能装置、分布式能源、负荷、能量监控装置、保护装置等集合成为一种能够自我管理、保护和控制的独立自治的微型电力系统。微电网内的负荷和分布式电源可以最大程度得到灵活高效的运用,并能够解决部分分布式电源并网的问题。微电网内的间歇式能源接入的不确定性、电动汽车等柔性负荷以及系统线路和设备的随机故障威胁着微电网的安全运行。针对这个问题,本论文以安全为基点,对微电网的电压安全问题进行讨论并对短时间尺度和长时间尺度内微电网的电压安全进行预测,研究结果对微电网的规划设计和保护控制有一定的借鉴意义。本文主要包含以下的工作内容:1.提出了微电网电压安全评估模型:针对微电网内公共连接点处的电压的历史异常数据进行辨识和处理,确保数据的有效性和完整性,再结合微电网内风机和光伏出力的波动性和间歇性的特点,基于电压安全评估指标算法,判定微电网是否处于安全状态。2.提出了微电网电压安全短时间尺度的预测模型:针对预处理后的微电网电压数据进行混沌性判定,判断微电网电压数据是否是混沌状态。在混沌的基础上,对数据进行状态空间重构,融合区间邻近点建立加权一阶局域微电网短期电压安全预测模型。3.提出了微电网电压安全长时间尺度的预测模型:将自动回归(Auto Regression)模型与RBF神经网络结合构成改进的RBF-AR神经网络模型,在融合区间邻近点的混沌时间序列加权一阶局域法和改进的RBF-AR神经网络预测模型的基础上,求解非线性微电网电压时间序列的组合有效度权系数来预测微电网电压安全。预测结果与单一的加权一阶局域法和RBFAR神经网络模型的预测结果比较,得出了组合模型对安全预测有更好的稳定性与降低单一模型的风险能力。
吴伟明[3](2020)在《基于采样数据的确定学习及应用》文中研究表明近年来,动态或者非平稳环境机器学习问题成为当前人工智能热点前沿热点。这里的“动态”主要指其环境随时间的动态变化,如工程、生物、医学、经济、天文等领域所涉物理过程天然构成的开放动态环境。然而在开放动态环境中,因传统机器学习的封闭静态假设不再满足,动态学习对当前人工智能发展提出了更大的挑战和更广阔的应用前景。当前动态环境机器学习的一个主要方向是研究对在工程、医学等动态过程中采样获得的时间序列的建模、识别、分类等问题。本文将从系统与控制角度开展动态环境机器学习的研究。本论文工作包括以下四个方面:1)针对非线性动力学系统产生的、具有周期或回归性质的时间序列数据,我们提出一种基于确定学习的时间序列建模与回归新方法。从系统与控制角度,该问题属于非线性系统辨识难题。确定学习方法通过解决持续激励(PE)条件的满足及预先验证,实现了对沿着周期或回归轨迹(连续信号)的非线性系统动态的局部准确神经网络辩识。本文将把该问题扩展到基于时间序列(采样数据)的确定学习。通过Lyapunov设计的权值更新律,产生的学习误差系统形成了具有与连续确定学习对应的离散线性时变(LTV)形式的识别误差系统。然而,上述连续LTV系统在持续激励条件满足时指数稳定的性质由Anderson、Narendra等给出证明,现有文献中并没有针对这类离散线性时变系统的指数稳定性证明结果。针对这一控制理论中的关键科学问题,本文采用离散输入状态稳定小增益理论(discrete ISS-small gain theorem)给出了具体的证明过程。首先,在持续激励条件下采用逆Lyapunov理论构造每一子系统的Lyapunov函数。其次,证明了每个子系统的Lyapunov函数均满足ISS-Lyapunov的性质,即这两个子系统满足输入状态稳定(ISS)。最后,根据上述两个互连的离散子系统的ISS性质,采用离散ISS下的小增益理论证明了整个离散LTV系统满足全局一致渐近稳定性,这对于线性系统即为指数稳定性。上述离散LTV系统的指数稳定性证明,保证了沿时间序列轨迹神经网络权值的指数收敛到真值或最优值,进而实现对时间序列(采样)数据内在非线性动态的局部准确辨识。该方法的提出有效解决了采样数据这类时间序列的回归和建模问题。特别地,这种局部准确的动力学建模结果对后续的基于时间序列的识别、分类等应用研究具有重要的意义。2)针对由非线性动力学系统产生的、具有周期或回归性质的时间序列,研究其识别与分类的问题(上述具有周期或回归性质的时间序列亦可称为动态模式,因而这也是动态模式识别问题)。由于这类时间序列数据表达的动态模式在实际动态过程中广泛存在,而且相比于传统静态模式有本质上的不同,该问题的研究充满挑战且有着广阔的应用前景。本文在基于确定学习的快速动态模式识别的基础上,研究对连续系统采样得到的时间序列数据的快速识别问题。在采样数据框架下,分别提出了对应的时间序列动态模式相似性定义,以及时间序列数据快速识别方法。上述快速识别机制是通过利用动态识别系统误差间接反映动态模式之间的内在动力学的差异程度。为保证准确识别,非相似模式的动力学差异需要满足一个假设条件(沿着轨迹的动力学差异在一定连续的时间区间内超过一定的幅值大小且符号不能改变)。然而,在基于连续信号的动态模式识别中,因无法利用过去的信息计算动态模式之间的动力学差异,难以在实际工程中验证这些条件。也就是说,如果发生了误识别,由于识别条件无法验证,进而难以分析发生误识别的原因。与之相比,在采样数据框架下,可以基于历史采样数据充分对比其动力学差异,验证动态模式识别结果的准确性。因此,这种基于动力学差异的动态模式识别具有良好的可解释性,在工程实际中将发挥重要作用。3)结构稳定性是一个非线性动力学系统领域的重要概念,它提供了对动力学系统及其受扰系统的一种自然动态的分类关系。其原理在于,如果一个结构稳定的系统与其受扰系统具有相似的拓扑结构,则两系统可以看成是同一类的系统。本文基于结构稳定性概念,探索动态模式识别新方法。然而,这个概念在实际中难以应用的原因之一是难以获取动力学的偏导信息。针对这一难题,我们基于确定学习的知识再利用机制近似表达沿着轨迹方向的动力学偏导信息。从而提出了基于结构稳定性的相似性定义,对模式间进行更细化的相似性描述。基于这种新的相似性定义,进一步给出了对应的动态模式识别的实现方法。通过与基于动力学差异的动态模式识别方法进行仿真对比,结果表明在更细化的识别场景下,基于结构稳定性的方法能得到更好的结果。4)最终,针对心肌缺血/心肌梗塞早期检测等重大临床需求问题,开展基于动态环境机器学习的应用研究。本课题组基于由确定学习形成的心电动力学图(CDG)在心肌缺血检测方向上已开展多年研究。心电动力学图是对心电图(ECG)ST-T段的局部准确动力学建模结果的三维可视化展示。它与心脏复极过程的离散度相关,相比传统心电图诊断具有更高的敏感性。本文创新性地提出了心电动力学图的时空离散度量化指标:一方面根据心电信号的物理时频特性提出心电动力学图的时间离散度指标,另一方面从非线性系统的混沌性分析角度提出心电动力学图的空间离散度指标。通过在北京阜外医院、新疆石河子市人民医院开展的心电动力学图检测心肌缺血的临床试验,结果表明该指标能够在心电图大致正常时对心肌缺血患者进行较为准确的检测。
雷紫微[4](2019)在《跳频信号侦察与跳频序列预测关键技术研究》文中研究表明跳频(Frequency Hopping,FH)是一种典型的扩频通信方式,其在军事通信系统以及民用通信方面都得到了广泛的应用。跳频信号的载频在跳频序列的控制下,在一定的频带范围内伪随机跳变,从而达到扩展频谱的目的,并使其具有抗衰落、抗干扰、抗截获、易组网、多址能力强等优点。为了进一步提升跳频通信系统的性能,跳频带宽正逐渐加大,跳频速率也得到了大幅的提升,这使得跳频通信对抗面临更加严峻的挑战。目前,跳频信号侦察的研究目标主要集中在跳频信号参数的精确估计,混合跳频信号的实时分离,以及宽带跳频信号的压缩采样等方面。同时,跳频序列预测作为跳频信号侦察的辅助手段,对于提升跳频信号侦察的实时性,实现高效的侦察和跟踪式干扰,具有重要的意义。本文针对跳频信号侦察和跳频序列预测的四个关键问题进行了研究,内容包括跳频信号的半盲检测和跟踪、基于信道化调制宽带转换器(Modulated Wideband Converter,MWC)的跳频信号检测和频率估计、基于动态规划MWC的跳频信号跟踪与分离和基于神经网络方法的混沌跳频序列预测与分离。论文的主要研究内容概括如下:第二章在跳频信号通信原理基础上,提出具体的跳频信号帧结构,并选取与之相适应的信道编码及调制方法构建跳频信号,作为本文研究的信号模型。而后,根据信号模型设计,提出基于变窗长组合时频分析方法的跳频信号半盲检测算法和跟踪策略。首先利用短时窗线性时频分析检测跳频信号的频率跳变。然后利用长时窗组合时频分析方法实现对当前跳频信号频点的精确估计。最后通过解调同步字头信息进行跟踪和校验,从而构建了完整的跳频信号半盲检测跟踪系统。仿真实验表明,该算法能够迅速检测并估计出当前跳频信号的频点,实现对跳频信号的半盲检测和同步跟踪。第三章研究了压缩采样条件下跳频信号的检测和频率估计问题。利用跳频信号在时频域上的稀疏性和短时平稳特性,提出了基于信道化MWC的跳频信号检测算法和非重构条件下的频点估计方法。首先利用MWC多通道的特点,对每个通道的周期波形进行重构,得到信道化的MWC结构。然后利用重构周期波形的识别特性,在频域实现跳频信号的实时检测。最后,利用压缩采样后的基带数据信息,在不重构信号的条件下,估计得到跳频信号的载频。该算法有效降低了信号的采样率和运算的复杂度。仿真结果验证了算法的有效性。第四章研究了压缩采样条件下的跳频信号跟踪和分离问题。提出了基于动态规划MWC的跳频信号跟踪和分离算法。首先在MWC系统上增加反馈控制的多频率函数,得到动态规划的MWC结构。然后在时域检测MWC子信道的能量,实现跳频信号的实时跟踪。最后利用跳时信息和不同信号源的功率差异对混合跳频信号进行分离。该方法在假设同一跳频源的信号在到达接收端时的功率保持相对稳定的条件下,可以有效实现多跳频信号的跟踪和分离。仿真结果验证了算法的有效性。第五章从跳频序列特性出发,研究了混沌跳频序列的预测和分离问题。利用混沌跳频序列的随机正交特性和全局相图特性,通过训练径向基(Radial Basis Function,RBF)神经网络,实现对混合跳频序列的预测和分离。首先分析了混沌跳频序列的特性,利用K均值聚类算法确定神经网络训练的输入和输出。然后通过正交最小二乘法(Orthogonal Least Square,OLS)求解混沌序列嵌入维数,构建神经网络。最后通过分段匹配实现混合序列的预测与分离。仿真实验表明,该算法可以有效预测同步组网混沌跳频序列,同时将混合跳频序列分离输出。
石嘉[5](2019)在《神经网络在目标检测与跟踪中的应用》文中研究指明随着电子科技的不断发展,雷达在军用和民用上的的影响力越来越大。雷达的目标检测和跟踪是雷达信号处理的关键问题,如何提高雷达的目标检测和跟踪性能一直都是研究的热门问题。本文将神经网络应用到海杂波背景下的弱目标检测与目标跟踪中提高其精度,主要做了如下工作:1.针对RBF神经网络结构主要通过经验或凑试的方法确定,且结构一旦确定将不再调整,缺少自适应能力的缺陷,先基于自适应时变权重和局部搜索算子改进粒子群优化(PSO)算法,然后将RBF神经网络的参数(中心值、宽度、连接权值)作为粒子空间位置,将粒子空间维数映射到隐含层神经元数,构造了 PSO-RBF神经网络,解决了 RBF网络结构与参数不匹配的问题,加强了其自适应能力。2.利用海杂波的混沌特性,对海杂波时间序列进行相空间重构,结合PSO-RBF神经网络构建了 PSO-RBF网络目标检测模型及学习算法,并对实测的海杂波数据进行弱目标检测证明其有效性,提高了海杂波背景下弱目标的检测精度。3.针对BP网络学习率选择不客观和容易陷入局部极值通过自适应调节学习率的方法优化BP网络,然后通过BP网络辅助无迹卡尔曼滤波器对目标进行跟踪,提高了目标跟踪的精度。
戴正旭[6](2019)在《测量船姿态实时滤波及预报方法研究》文中指出测量船在海上航行时受到海浪、海风等环境因素影响,会产生摇摆,高精度测量要求对实测船摇数据实时滤波,并计算船摇角度、角速度及角加速度的多步预测值。同时,提前几秒或十几秒预报出船舶的运动姿态,能进一步提高减摇装置的控制精度,减小船舶摇荡,提高船舶的耐波性。故研究船摇数据特性及其滤波和预报方法,对提高海上综合测量精度有较强的意义。本文主要研究以下内容:(1)基于实测数据,全面分析了测量船海上姿态数据特性。频谱特性分析表明,船摇数据主要信息分布在小于0.6 Hz的低频范围,噪声特性分析指出其噪声为非高斯白噪声。船摇数据高阶量分析表明,四次差分后jounce周期性显着减弱,短时间内可以将其看成jounce噪声量驱动的过程。同时,从定性和定量角度分析了船摇数据混沌特性,确定了横摇和纵摇数据重构时延和嵌入维度。(2)基于船摇数据特性分析,引入机动目标跟踪理论研究船摇滤波及多步预报。针对现有模型阶数不够高的问题,推导了更高一阶的模型,提出了基于最大相关熵的CS-Jounce自适应方法。仿真结果表明,该方法适用于船摇数据非高斯白噪声环境,可以很好的估计并预报船摇角速度及角加速度,具有较高的滤波和预报精度,且鲁棒性较强。(3)在数据滤波基础上,进一步研究船摇数据极短期预报。基于船摇数据混沌特性,利用数据压缩和相空间重构简化了模型结构,分析了利用RBF神经网络离线训练并在线预报方法的效率和精度,指出其适用于横摇和纵摇数据的在线预测。提出基于相空间重构的KRLS算法可用于横摇和纵摇数据的在线预报,这种方法能达到比RBF网络更高的预测精度,且计算效率较高。针对非平稳的航向数据,提出H-P趋势项提取结合RBF网络预报的方法。仿真结果表明,该方法能有效实现航向数据的在线预报,克服了单纯RBF网络方法在非平稳数据预报中精度变差的问题。
袁全勇[7](2018)在《风速时间序列非线性分析及短期预测》文中提出风能发电因具有清洁、可再生等优点,已成为最具发展前景的新能源发电方式之一。但风速的随机性、波动性和不可控性等特点,使得风速预测十分困难且精度较低,导致了风力发电具有间歇性及不稳定性等复杂的非线性特征。因此,为揭示风速时间序列内部蕴含着的复杂特性,实现风速更为准确的预测,本文以美国国家风能研究中心M2测风塔实测风速时间序列为研究对象,采用非线性分析理论对其进行了分析及预测。首先从风速时间序列自身的非线性特征出发,基于分形理论研究了风速时间序列的分形维数及长程相关性等特征。其次,基于混沌理论,采用C-C算法确定了延迟时间及嵌入维数,并对风速时间序列进行了相空间重构。在此基础上,采用多种不同的混沌识别方法,从定性及定量两个角度对风速时间序列进行了混沌特征识别。最后,在确定时间序列具有混沌特征的基础上,将RBF神经网络及Volterra自适应滤波预测模型引入风速预测研究中,对风速进行了较为准确的预测。通过以上工作,主要成果如下:1.根据非线性分析的分形理论,研究了盒维数法及关联维数法的基本原理,并计算了风速时间序列的分形维数,同时研究了风速时间序列的无标度特征及自相似性。2.以分形高斯噪声(Fractal Gaussian Noise,FGN)为例,对比分析了R/S类分析法的特点,确定了以Lo法计算风速时间序列Hurst指数结果更加准确,然后采用该方法计算了风速时间序列的Hurst指数。此外,为进一步研究风速时间序列的非线性特征,采用去趋势波动分析(DFA分析)及功率谱分析(PSA分析)对风速时间序列进行了非线性分析。结果表明风速时间序列的Hurst指数均大于0.5,说明风速不是完全随机波动的时间序列,其具有明显的长程正相关性。此外,风速时间序列Hurst指数接近1,说明了风速时间序列呈现出“1/f波动”特征,属于典型的非线性不平稳信号。3.研究了相图法、频谱分析法、最大Lyapunov指数法及0-1混沌判定法的基本原理。并采用以上各种方法分别从不同角度判定了风速时间序列的混沌特征。结果表明:相图法及频谱分析法,可从时间序列在空间或时频域内表现出的特殊性质,对其混沌特征进行定性识别;最大Lyapunov指数作为混沌系统的重要指标,可用于对时间序列混沌特征进行定量分析。0-1混沌测试法仅通过渐进增长率Kc是否接近0或1即可判定风速时间序列的混沌特性;相较于其他混沌识别方法,具有计算成本低、速度快等优点。4.在判定风速时间序列具有混沌特征的基础上,采用RBF神经网络结合相空间重构理论对风速时间序列进行预测并对预测误差进行了分析,预测结果表明,基于RBF神经网络对混沌时间序列的预测方法具有较强的分类能力、逼近能力及样本学习能力,且所得预测结果较为准确。5.在研究了Volterra自适应预测算法的基础上,建立了风速序列的Volterra自适应混沌预测模型,并对风速时间进行了预测及误差分析,预测结果较为精确。
盛国敏[8](2016)在《采用广义逆矩阵的多层和复合多层RBF网络的学习算法及其应用》文中研究表明本文首先将广义逆矩阵用于多层径向基函数网络的遗传算法,复合多层径向基函数网络基本搜索法和遗传算法。计算机实验表明,采用这种方法,实函数逼近精度提高1至2个数量级。进一步,再将改进的算法用于混沌时间序列预测,可预测步长大大提高。同时还将这些算法用于偏微分方程的边值问题的数值解,精度也提高1至2个数量级。最后作为应用实例,将采用广义逆矩阵的复合多层径向基函数网络的遗传算法用于求解期权定价的Scholes Black-方程,得到了比其它方法精度高得多的数值解。
肖凡[9](2014)在《基于改进的RBF神经网络对股市混沌效应预测》文中研究指明伴随着经济全球化以及金融自由化的快速发展进程,作为资本市场的核心板块之一股票市场的运行发挥着越来越重要的作用。在股票市场的循序渐进的运行中,不可避免的经历着“产生泡沫——发展平稳——迅速扩大——最后破裂”的阶段,影响着宏观经济的运行发展。因为股票市场动荡现象的难以量化和产生因素多样化等相关的特点,促使股票市场有效模型的建立难以取得有效、满意的结果。混沌理论是20世纪下半叶以来一门新兴的学科,是非线性系统的特殊运动形式。混沌是指在确定性的非线性系统中,在没有任何外部的随机因素的影响下,仍然都有可能出现的内在随机性的行为。基于我国股票市场的复杂性、开放性以及系统性,传统的股市分析模型往往忽略了各个要素之间的内在联系,本文引入混沌理论对其进行研究分析,深入股票市场的内部,在复杂的过程中寻找背后的内在规律,提高资源的使用配置效率。首先,分析概述了混沌现象特征与股票市场之间的内在联系,从混沌现象入手,介绍了混沌现象的起源发展,结合混沌效应的特征,从三个方面简要的分析了股票市场混沌效应的特征。梳理了相间重构的基本原理,为RBF神经网络模型的构建奠定了理论基础,从定性和定量的角度描述了混沌效应的识别检验方法,介绍了三种时间序列的混沌效应预测判定方法。其次,在介绍了股票市场系统未来混沌效应预测的基本思路基础上,分析评价了传统的RBF神经网络训练学习算法,虽然其具有在变密度簇中的聚类效果特别明显以及计算量小、训练时间短的优点,但是对于时间序列预测的整体拟合效果并不是十分的理想,也存在着一定的缺陷。为提高股票市场混沌效应预测效果的精确度,阐述了传统的RBF神经网络训练学习算法进行改进的必要性和改进原理。再次,以股市混沌预测模型的依据原则为基础构建改进的RBF神经网络预测模型,基于相空间重构技术的基本原理,采用C-C方法同时确定时间延迟和嵌入维数两个参数,对股票市场时间序列进行相空间的重构。根据对混沌特征量识别的相关维数法和李雅普诺夫指数法,来判定对股价时间序列识别混沌效应是否存在,如果股价时间序列存在混沌效应,就可以对其进行预测,运用改进后的RBF神经网络学习算法进行训练与测试,为进一步的预测奠定基础。最后,以我国股票市场2012年下半年及2013年全年的每日上证综合指数的收盘价为数据基础,对之进行归一化处理,应用的基于改进RBF神经网络构建股市混沌预测模型进行实证研究分析。借用C-C方法确定本文所采取的时间序列进行相空间重构所需要的重要参数——时间延迟和嵌入维数,在重构的相空间中,就所采用的数据进行混沌效应特征量的实际测度,判定股市存在混沌现象。基于改进的RBF神经网络宽度的算法,对重构的相空间进行训练与测试的实证分析,从而得出改进该模型的预测适用性比较理想,进而将原有的部分相点以及预测出来的相点合在一起,对我国股票市场未来的短期混沌效应进行预测分析,根据混沌特征量的判定,最终得出我国股票市场未来短期内存在混沌效应的结论。
李建[10](2014)在《多层径向基函数网络的算法改进及其应用》文中认为本文提出改进的多层径向基函数网络的聚类算法,通过单元和多元是函数逼近的计算机实验,验证其比基本多层径向基函数网络的聚类算法和自适应遗传算法具有更高精度的实函数逼近能力。在此基础上,论文将基于改进的多层径向基函数网络应用于Logistic和MackeyGlass混沌时间序列的多步预测中,与基于基本聚类算法的多层RBF网络的混沌时间序列预测和基于浮点数编码的自适应遗传算法的多层RBF网络的混沌时间序列预测进行比较,其预测步数大大提高且精度更高。最后,本文对自适应遗传算法的多层径向基函数网络进行改进,把适应度函数由广义交叉率的倒数改为广义信息量的倒数,这样得到的网络就可以用于非线性回归。然后将改进的自适应遗传算法的径向基函数网络应用于我国35个城市房价指数预测中,通过计算机实验,表明其预测精度很高,得到了很好的效果。
二、基于改进的RBF网络的混沌时间序列预测(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于改进的RBF网络的混沌时间序列预测(论文提纲范文)
(1)基于RBF神经网络的短时交通流预测研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 短时交通流预测研究现状 |
1.2.2 基于神经网络的短时交通流预测研究现状 |
1.3 研究内容 |
1.4 结构安排 |
1.5 本章小结 |
第2章 交通流特性分析及数据预处理 |
2.1 引言 |
2.2 交通流预测相关参数 |
2.3 交通数据来源 |
2.4 交通流特性分析 |
2.4.1 交通流的趋势变化 |
2.4.2 交通流周期性 |
2.4.3 交通流随机性 |
2.5 交通流数据预处理 |
2.5.1 交通流数据修复 |
2.5.2 交通流数据降噪 |
2.5.3 交通流数据归一化操作处理 |
2.6 本章小结 |
第3章 基于RBF神经网络的短时交通流预测 |
3.1 引言 |
3.2 RBF神经网络概述 |
3.3 基于RBF神经网络的短时交通流预测 |
3.3.1 RBF神经网络参数训练 |
3.3.2 RBF神经网络的交通流预测 |
3.4 实验与结果分析 |
3.4.1 实验设计 |
3.4.2 结果分析 |
3.4.3 模型评价 |
3.5 本章小结 |
第4章 基于IFA-RBF的短时交通流预测 |
4.1 引言 |
4.2 萤火虫算法概述 |
4.2.1 萤火虫算法原理 |
4.2.2 萤火虫算法的数学描述 |
4.3 改进的萤火虫算法 |
4.4 基于IFA-RBF的短时交通流预测 |
4.5 实验结果与分析 |
4.5.1 实验设计 |
4.5.2 结果分析 |
4.5.3 模型评价 |
4.6 本章小结 |
第5章 基于FCM-IFA-RBF的短时交通流预测 |
5.1 引言 |
5.2 FCM聚类算法相关理论 |
5.2.1 FCM原理简介 |
5.2.2 FCM算法流程 |
5.2.3 FCM聚类算法优化 |
5.3 基于FCM-IFA-RBF的短时交通流预测模型建立 |
5.3.1 FCM-IFA-RBF预测模型构建思路 |
5.3.2 基于FCM的交通流模式划分 |
5.3.3 FCM-IFA-RBF模型的组合预测 |
5.4 实验结果与分析 |
5.4.1 实验设计 |
5.4.2 结果分析 |
5.4.3 模型评价 |
5.5 本章小结 |
总结与展望 |
参考文献 |
致谢 |
附录 A 攻读硕士学位期间参与项目和发表学术论文 |
(2)基于混沌时间序列和RBF神经网络的微电网电压安全评估和预测方法(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外的研究现状 |
1.2.1 国内研究现状 |
1.2.2 国外研究现状 |
1.3 本文研究内容 |
1.4 论文的组织结构 |
第二章 微电网电压安全评估 |
2.1 引言 |
2.2 微电网电压数据预处理 |
2.2.1 数据预处理的必要性 |
2.2.2 微电网电压数据的预处理方法 |
2.3 微电网电压安全评估指数 |
2.4 本章小结 |
第三章 基于混沌时间序列的短时间尺度微电网电压安全预测方法 |
3.1 引言 |
3.2 微电网电压的混沌判别 |
3.2.1 混沌判定方法简述 |
3.3 微电网电压序列的相空间重构 |
3.4 延迟时间与嵌入维数的确定方法 |
3.4.1 C-C方法 |
3.4.2 G-P关联维数法 |
3.4.3 Cao’s方法 |
3.4.4 复自相关函数法 |
3.4.5 互信息法 |
3.5 结合区间邻近点的加权一阶局域预测法 |
3.5.1 选取合适的区间邻近点 |
3.5.2 结合区间邻近点的加权一阶局域预测算法 |
3.6 仿真分析 |
3.6.1 微电网电压相空间重构 |
3.6.2 微电网电压短时间尺度预测 |
3.7 本章小结 |
第四章 基于改进RBF神经网络长时间尺度微电网电压安全预测方法 |
4.1 引言 |
4.2 融合自回归模型的RBF神经网络 |
4.2.1 构建RBF神经网络模型 |
4.2.2 确定RBF神经网络的参数 |
4.2.3 RBF-AR预测模型 |
4.3 混沌时间序列和改进RBF神经网络组合微电网电压预测 |
4.3.1 组合预测原理 |
4.3.2 一阶加权和RBF神经网络有效度权值组合的微电网电压安全预测 |
4.4 仿真分析 |
4.4.1 RBF神经网络的微电网电压预测 |
4.4.2 组合预测的结果与分析 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 全文总结 |
5.2 进一步工作的展望 |
参考文献 |
附录1 攻读硕士学位期间撰写的论文 |
附录2 攻读硕士学位期间申请的专利 |
附录3 攻读硕士学位期间参加的科研项目 |
致谢 |
(3)基于采样数据的确定学习及应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文的研究内容及结构安排 |
第二章 预备知识 |
2.1 引言 |
2.2 确定学习机制 |
2.3 动态模式识别 |
2.4 早期的采样确定学习工作 |
2.5 离散系统稳定性 |
2.6 本章小结 |
第三章 针对采样数据的确定学习 |
3.1 引言 |
3.2 问题描述 |
3.3 基于Lyapunov设计的采样确定学习算法 |
3.4 误差系统的稳定性分析 |
3.5 仿真实验 |
3.6 本章小结 |
3.7 附录A |
3.8 附录B |
第四章 针对采样数据的动态模式识别 |
4.1 引言 |
4.2 问题描述 |
4.3 基于采样数据的动态模式的建模和相似性 |
4.4 基于采样数据的动态模式识别与性能分析 |
4.5 仿真实验 |
4.5.1 数据说明与动力学辨识 |
4.5.2 识别场景1 |
4.5.3 识别场景2 |
4.6 本章小结 |
4.7 附录A |
第五章 基于结构稳定性的针对采样数据的动态模式识别 |
5.1 引言 |
5.2 问题描述 |
5.3 结构稳定性 |
5.4 相似性定义与表达 |
5.5 基于结构稳定性的动态模式识别方案与性能分析 |
5.6 仿真实验 |
5.6.1 动力学偏导的建模验证 |
5.6.2 基于结构稳定性的动态模式识别 |
5.7 本章小结 |
5.8 附录A |
第六章 基于采样确定学习的心电动力学图建模与量化 |
6.1 引言 |
6.2 基于心电图采样数据信号的动力学建模 |
6.3 基于心电动力学图的量化指标 |
6.4 临床试验验证 |
6.5 本章小结 |
第七章 总结与展望 |
插图 |
表格 |
参考文献 |
攻读博士学位期间取得的研究成果 |
致谢 |
附件 |
(4)跳频信号侦察与跳频序列预测关键技术研究(论文提纲范文)
缩略词 |
摘要 |
Abstract |
第一章 绪论 |
1.1 引言 |
1.2 跳频通信的基本原理与关键技术 |
1.2.1 跳频通信的基本原理 |
1.2.2 跳频通信的关键技术与技术指标 |
1.3 跳频信号侦察和跳频序列预测研究现状 |
1.3.1 跳频信号检测与跟踪研究现状 |
1.3.2 跳频信号参数估计研究现状 |
1.3.3 跳频信号分离研究现状 |
1.3.4 跳频序列预测研究现状 |
1.4 论文主要工作及内容安排 |
第二章 跳频信号的模型构建与半盲检测跟踪 |
2.1 引言 |
2.2 跳频信号的构建 |
2.2.1 跳频信号的生成流程与数学模型 |
2.2.2 跳频信号的帧结构设计 |
2.2.3 跳频信号的调制解调方式 |
2.3 基于时频分析的跳频信号半盲检测 |
2.3.1 常规的时频分析方法 |
2.3.2 基于变窗长组合时频分析方法的跳频信号检测 |
2.4 跳频信号的跟踪策略分析 |
2.4.1 捕获状态下的信号跟踪 |
2.4.2 解调状态下的同步校验 |
2.5 仿真实验与分析 |
2.5.1 跳频信号半盲检测性能仿真 |
2.5.2 跳频信号跟踪性能分析 |
2.6 本章小结 |
第三章 基于信道化MWC的跳频信号检测与频率估计 |
3.1 引言 |
3.2 MWC压缩采样基本原理 |
3.2.1 MWC研究的信号模型 |
3.2.2 MWC的系统结构 |
3.2.3 MWC的采样原理 |
3.2.4 MWC系统的信号重构 |
3.3 基于信道化MWC的跳频信号检测与频率估计 |
3.3.1 信道化MWC结构 |
3.3.2 改进的信道化MWC系统结构 |
3.3.3 跳频信号的检测和频率估计 |
3.4 仿真实验与分析 |
3.4.1 子信道检测 |
3.4.2 频率估计性能仿真。 |
3.5 本章小结 |
第四章 基于动态规划MWC的跳频信号跟踪与分离 |
4.1 引言 |
4.2 跳频信号跟踪与分离问题描述 |
4.3 跳频信号跟踪和分离结构设计 |
4.3.1 跳频信号跟踪 |
4.3.2 跳频信号分离 |
4.4 仿真实验与分析 |
4.4.1 跳频信号跟踪仿真 |
4.4.2 跳频信号分离仿真 |
4.5 本章小结 |
第五章 基于神经网络方法的混沌跳频序列预测与分离 |
5.1 引言 |
5.2 混沌跳频序列分析 |
5.2.1 混沌时间序列特性 |
5.2.2 混沌跳频序列构造 |
5.3 基于RBF神经网络的混沌跳频序列预测方法 |
5.3.1 RBF神经网络结构原理与训练方法 |
5.3.2 RBF神经网络的训练方法 |
5.4 同步组网混合跳频信号的预测与分离 |
5.4.1 同步组网混合跳频信号特性 |
5.4.2 同步组网跳频信号预测与分离设计 |
5.5 仿真实验与分析 |
5.5.1 序列预测与分离的评价标准 |
5.5.2 序列预测性能仿真 |
5.5.3 序列分离性能仿真 |
5.6 本章小结 |
第六章 结论与展望 |
致谢 |
参考文献 |
作者在学期间取得的学术成果 |
(5)神经网络在目标检测与跟踪中的应用(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题的研究背景与意义 |
1.1.1 海杂波背景下弱目标检测的背景及意义 |
1.1.2 跟踪的背景及意义 |
1.2 国内外研究现状 |
1.2.1 海杂波背景下弱目标检测的国内外研究现状 |
1.2.2 跟踪的国内外现状 |
1.3 文章内容及结构安排 |
第二章 神经网络的理论知识 |
2.1 概述 |
2.2 人工神经元模型 |
2.3 人工神经网络的模型 |
2.3.1 人工神经网络的结构 |
2.3.2 人工神经网络的学习方式 |
2.3.3 人工神经网络的学习规则 |
2.4 几种常见的神经网络模型 |
2.4.1 BP(Back Propagation)神经网络 |
2.4.2 Elman神经网络 |
2.4.3 径向基函数(Radical Basis Function,RBF)神经网络 |
2.5 本章小结 |
第三章 PSO-RBF网络在海杂波背景下的目标检测 |
3.1 实验数据简介 |
3.2 混沌的基础理论知识 |
3.2.1 混沌的发展 |
3.2.2 混沌的定义 |
3.3 海杂波的混沌特性识别 |
3.3.1 相空间重构 |
3.3.2 关联维 |
3.3.3 Lyapunov指数 |
3.3.4 Kolmogorol熵 |
3.4 粒子群优化算法(PSO)优化RBF神经网络 |
3.4.1 粒子群优化算法原理 |
3.4.2 PSO优化RBF网络 |
3.4.3 算法性能检验 |
3.5 构建改进的PSO-RBF目标检测器及仿真 |
3.5.1 构建改进的PSO-RBF目标检测器 |
3.5.2 实验仿真 |
3.6 本章小结 |
第四章 改进BP神经网络辅助卡尔曼滤波 |
4.1 目标跟踪算法概述 |
4.2 系统模型 |
4.3 无迹卡尔曼滤波(UKF)算法 |
4.3.1 不敏变换(UnscentedTransformation,UT) |
4.3.2 无迹卡尔曼滤波 |
4.4 优化BP神经网络 |
4.5 BP网络的辅助无迹卡尔曼滤波跟踪模型及其实验仿真 |
4.5.1 构建BP网络的辅助无迹卡尔曼滤波跟踪模型 |
4.5.2 实验仿真 |
4.6 本章小结 |
结论 |
参考文献 |
致谢 |
在学期间发表的学术论文及取得的研究成果 |
(6)测量船姿态实时滤波及预报方法研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 船摇滤波及多步预报 |
1.2.2 船摇极短期预报 |
1.3 主要内容及章节安排 |
2 船摇数据特性分析 |
2.1 时域分析 |
2.2 频域分析 |
2.3 时频分析 |
2.4 噪声特性分析 |
2.5 船摇数据高阶量分析 |
2.6 混沌特性分析 |
2.6.1 功率谱分析 |
2.6.2 三维相图 |
2.6.3 相空间重构 |
2.6.4 最大李雅普诺夫指数 |
2.7 本章小结 |
3 船摇数据滤波及多步预报方法 |
3.1 基于勒让德多项式的最小二乘法 |
3.1.1 勒让德多项式 |
3.1.2 最小二乘拟合 |
3.1.3 拟合参数分析 |
3.2 基于卡尔曼滤波技术的滤波及预报方法 |
3.2.1 Jerk模型 |
3.2.2 CS-Jerk模型 |
3.2.3 CS-Jounce模型 |
3.2.4 jounce自适应模型设计 |
3.2.5 最大相关熵卡尔曼滤波器 |
3.3 仿真验证及结果分析 |
3.3.1 实验环境 |
3.3.2 参数设置 |
3.3.3 结果分析 |
3.4 本章小结 |
4 船摇数据在线极短期预报方法 |
4.1 数据压缩与相空间重构 |
4.2 在线非线性预报方法 |
4.2.1 径向基函数神经网络 |
4.2.2 核递归最小二乘(KRLS) |
4.2.3 仿真验证及结果分析 |
4.3 基于趋势提取的预报方法 |
4.3.1 小波变换 |
4.3.2 EMD分解 |
4.3.3 H-P滤波 |
4.3.4 仿真验证及结果分析 |
4.4 本章小结 |
5 总结与展望 |
5.1 工作总结 |
5.2 未来展望 |
参考文献 |
附录 |
(7)风速时间序列非线性分析及短期预测(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 背景及意义 |
1.2 研究现状 |
1.3 本文内容安排 |
1.4 本文主要创新点 |
1.5 本章小结 |
第二章 风速时间序列分形特征分析 |
2.1 分形理论基础 |
2.1.1 分形基本定义 |
2.1.2 经典分形结构 |
2.2 风速时间序列分形特征分析 |
2.2.1 数据来源 |
2.2.2 分形维数分析 |
2.3 本章小结 |
第三章 基于Hurst指数的风速序列非线性分析 |
3.1 Hurst指数含义 |
3.2 R/S分析原理 |
3.2.1 经典R/S分析法 |
3.2.2 R/S类分析法 |
3.3 R/S类分析法的比较研究 |
3.3.1 分形高斯噪声模拟算法 |
3.3.2 基于FGN序列的R/S类分析法评价结果 |
3.4 风速时间序列Hurst指数分析 |
3.5 去趋势波动分析 |
3.6 功率谱分析 |
3.7 不同方法所得Hurst指数比较研究 |
3.8 本章小结 |
第四章 混沌理论基础 |
4.1 混沌起源及发展 |
4.2 混沌基本概念 |
4.3 相空间重构理论 |
4.4 相空间重构参数选取 |
4.5 经典混沌系统 |
4.5.1 虫口模型——Logistics映射 |
4.5.2 Lorenz混沌系统 |
4.5.3 Rosler混沌系统 |
4.5.4 Chen's吸引子 |
4.5.5 Duffing方程 |
4.6 风速时间序列混沌特征识别意义 |
4.7 本章小结 |
第五章 风速时间序列混沌特征识别 |
5.1 相图法 |
5.2 频谱分析法 |
5.3 最大Lyapunov指数法 |
5.4 0-1混沌判定法 |
5.5 本章小结 |
第六章 风速时间序列短期预测 |
6.1 基于RBF神经网络的风速预测 |
6.1.1 RBF神经网络结构 |
6.1.2 RBF神经网络算法 |
6.1.3 风速时间序列RBF神经网络预测 |
6.2 风速时间序列的Volterra自适应预测研究 |
6.2.1 风速时间序列的Volterra自适应滤波器 |
6.2.2 Volterra滤波器自适应算法 |
6.2.3 LMS自适应算法基本原理 |
6.2.4 风速时间序列Volterra自适应模型算法步骤 |
6.2.5 Volterra自适应预测模型检验 |
6.2.6 基于Volterra自适应预测模型的风速时间序列预测 |
6.3 本章小结 |
第七章 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
在读期间公开发表的论文和承担科研项目及取得成果 |
一、科研成果 |
二、科研项目 |
三、获得荣誉 |
致谢 |
(8)采用广义逆矩阵的多层和复合多层RBF网络的学习算法及其应用(论文提纲范文)
摘要 |
Abstract |
第一章 引言 |
1.1 研究背景与目的 |
1.2 主要工作与创新点 |
1.2.1 本文主要工作 |
1.2.2 本文创新点 |
第二章 广义逆矩阵在多层径向基函数网络的遗传算法中的应用 |
2.1 多层径向基函数网络的原理 |
2.2 多层径向基函数网络的遗传算法 |
2.3 广义逆矩阵在多层径向基函数网络的遗传算法的应用 |
2.4 计算机仿真试验 |
2.4.1 实函数逼近实验 |
2.4.2 混沌时间序列预测实验 |
2.4.3 偏微分方程边值问题的无网格法的计算机实验 |
第三章 广义逆矩阵在复合多层径向基函数网络中的应用 |
3.1 多层径向基函数网络中的聚类算法 |
3.2 复合多层径向基函数网络的原理 |
3.3 复合多层径向基函数网络中的基本搜索法和遗传算法 |
3.3.1 复合多层径向基函数网络中的基本搜索法 |
3.3.2 复合多层径向基函数网络中的遗传算法 |
3.4 计算机模拟实验 |
3.4.1 一元实函数逼近实验 |
3.4.2 二元实函数逼近实验 |
第四章 复合多层径向基函数网络在混沌时间序列预测中的应用 |
4.1 采用基本搜索法的复合多层RBF网络在混沌时间序列预测中的应用 |
4.1.1 Logistic时间序列的建模与多步预测 |
4.1.2 Mackey-Glass时间序列的建模与多步预测 |
4.2 采用遗传法的复合多层RBF网络在混沌时间序列预测中的应用 |
4.2.1 Logistic时间序列的建模与多步预测 |
4.2.2 Mackey-Glass时间序列的建模与多步预测 |
第五章 复合多层径向基函数网络在偏微分方程无网格法中的应用 |
5.1 基本原理 |
5.2 数值试验 |
第六章 复合多层径向基函数网络的遗传算法在期权定价中的应用 |
6.1 复合多层径向基函数网络求解Black-Scholes方程数值解的原理 |
6.2 数值试验 |
第七章 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
攻读硕士学位期间发表的论文和取得的科研成果 |
致谢 |
(9)基于改进的RBF神经网络对股市混沌效应预测(论文提纲范文)
摘要 |
Abstract |
0 引言 |
0.1 选题的背景及意义 |
0.1.1 选题背景 |
0.1.2 选题意义 |
0.2 国内外研究现状 |
0.2.1 国外研究现状 |
0.2.2 国内研究现状 |
0.3 论文的研究思路、结构和方法 |
0.3.1 论文的研究思路与研究方法 |
0.3.2 论文的框架 |
0.4 论文的创新与不足 |
0.4.1 论文的创新 |
0.4.2 论文的不足 |
1 混沌效应分析的相关理论基础 |
1.1 混沌现象的内涵与特征 |
1.1.1 混沌现象的起源与发展 |
1.1.2 混沌现象的内涵 |
1.1.3 混沌的特征 |
1.1.4 股票市场混沌的特征 |
1.2 相空间重构的基本原理 |
1.2.1 系统及金融系统的内涵 |
1.2.2 相空间的内涵与特征 |
1.2.3 系统的相空间重构原理 |
1.3 混沌效应的识别检验方法 |
1.3.1 混沌效应识别的定性检验方法 |
1.3.2 混沌效应识别的定量检验方法 |
1.4 混沌时间序列的预测判定方法 |
1.4.1 局域预测判定法 |
1.4.2 RBF神经网络预测判定法 |
1.4.3 Volterra级数自适应预测判定法 |
1.5 本章小结 |
2 基于动态调整RBF网络宽度的模型改进机理分析 |
2.1 对传统RBF神经网络混沌预测的评析 |
2.1.1 传统RBF神经网络模型预测的基本原理 |
2.1.2 传统RBF神经网络静态宽度的测定方法 |
2.1.3 传统RBF神经网络宽度算法的优劣评价 |
2.2 改进RBF神经网络静态宽度的必要性 |
2.2.1 提高系统测试集的分类精确度 |
2.2.2 提高系统测试整体拟合的效果 |
2.3 动态调整RBF神经网络宽度的改进原理 |
2.4 本章小结 |
3 基于改进RBF神经网络构建股市混沌预测模型 |
3.1 模型构建的依据原则 |
3.1.1 目的性原则 |
3.1.2 导向性原则 |
3.1.3 可操作性原则 |
3.2 股价时序相空间重构参数的选择 |
3.2.1 时间延迟和嵌入维数的独立性选择 |
3.2.2 时间延迟和嵌入维数的相关性选择 |
3.2.3 独立性选择和相关性选择比较分析 |
3.3 股价时序混沌效应判定指标的选择 |
3.3.1 股价时间序列关联维数的确定 |
3.3.2 股价时间序列最大Lyapunov指数的确定 |
3.4 改进后的RBF神经网络训练与测试 |
3.5 本章小结 |
4 改进的RBF网络对股市混沌预测适用性研究 |
4.1 数据说明与预处理 |
4.1.1 数据的来源 |
4.1.2 数据预处理 |
4.2 时间延迟和嵌入维数的测定 |
4.3 我国股票市场的混沌效应的识别判断 |
4.3.1 基于最大李雅普诺夫法对混沌效应的判断 |
4.3.2 基于关联维数法对混沌效应的判断 |
4.4 改进RBF神经网络的股市混沌效应预测 |
4.4.1 改进后RBF神经网络对学习训练结果的测试 |
4.4.2 改进后RBF网络模型预测结果分析 |
4.5 本章小结 |
5. 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
致谢 |
个人简历 |
发表的学术论文 |
(10)多层径向基函数网络的算法改进及其应用(论文提纲范文)
摘要 |
Abstract |
第一章 引言 |
1.1 多层径向基函数网络算法的研究目的和意义 |
1.2 本文主要研究工作 |
第二章 改进的多层 RBF 网络的原理及实函数逼近实验 |
2.1 单层径向基函数网络的基本原理 |
2.2 多层径向基函数网络的构造及聚类算法 |
2.2.1 多层径向基函数网络的基本聚类算法 |
2.2.2 多层径向基函数网络的改进聚类算法 |
2.3 计算机模拟实验 |
2.3.1 一元实函数逼近实验 |
2.3.2 二元实函数逼近实验 |
第三章 改进的多层 RBF 网络的聚类算法在混沌时间序列的多步预测中的应用 |
3.1 一般时间序列的 K 步预算法 |
3.2 多层 RBF 网络的改进聚类算法在混沌时间序列预测中的应用 |
3.2.1 Logistic 时间序列的建模与多步预测 |
3.2.2 Mackey_Glass 时间序列的预测与多步预测 |
第四章 基于自适应遗传算法的多层径向基函数非线性回归网络在我国 35 个城市房价指数预测中的应用 |
4.1 基于自适应遗传算法的多层径向基函数的非线性回归网络 |
4.2 检验非线性时间序列的径向基函数网络法 |
4.3 我国 35 个城市的房价指数的预测 |
4.3.1 综述 |
4.3.2 数据和建模的结果 |
4.4 结论 |
第五章 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
攻读硕士学位期间发表的论文和取得的科研成果 |
致谢 |
四、基于改进的RBF网络的混沌时间序列预测(论文参考文献)
- [1]基于RBF神经网络的短时交通流预测研究[D]. 张敏. 兰州理工大学, 2021(01)
- [2]基于混沌时间序列和RBF神经网络的微电网电压安全评估和预测方法[D]. 秦赫. 南京邮电大学, 2020(03)
- [3]基于采样数据的确定学习及应用[D]. 吴伟明. 华南理工大学, 2020
- [4]跳频信号侦察与跳频序列预测关键技术研究[D]. 雷紫微. 国防科技大学, 2019(01)
- [5]神经网络在目标检测与跟踪中的应用[D]. 石嘉. 中国电子科技集团公司电子科学研究院, 2019(02)
- [6]测量船姿态实时滤波及预报方法研究[D]. 戴正旭. 浙江大学, 2019(04)
- [7]风速时间序列非线性分析及短期预测[D]. 袁全勇. 上海理工大学, 2018(04)
- [8]采用广义逆矩阵的多层和复合多层RBF网络的学习算法及其应用[D]. 盛国敏. 安徽工业大学, 2016(03)
- [9]基于改进的RBF神经网络对股市混沌效应预测[D]. 肖凡. 中国海洋大学, 2014(06)
- [10]多层径向基函数网络的算法改进及其应用[D]. 李建. 安徽工业大学, 2014(02)