本文主要研究内容
作者王刚（2019）在《基于极限学习机的时间序列预测》一文中研究指出：时间序列中蕴含了大量有价值的信息,时间序列预测是指通过对已知数据分析估计其未来的发展趋势,准确地对时间序列进行预测可以有效地指导人们的生产生活。极限学习机(Extreme Learning Machine,ELM)作为一种快速的学习算法,被广泛地应用于时间序列预测。与传统前馈神经网络相比,极限学习机只需要随机设置输入权值和隐层阈值,输出权值可以通过求解一个线性方程组得到,其训练过程无需迭代,一步完成,这样很大程度地提高了网络的泛化性和学习速度。本文基于极限学习机对时间序列进行预测,主要做了如下研究:(1)针对基本极限学习机认为新旧训练样本的值应该相等,新训练样本的权重无法通过旧训练样本来得到这一问题,本文提出了一种改进极限学习机对基本极限学习机的样本更新机制进行改进,进一步提高了极限学习机的回归预测能力。(2)阐述剔除样本中不合理数据的拉伊达(Rajda)标准、补充缺失样本数据的三次样条插值方法以及样本归一化处理的方法。时间序列包含着不同的频率分量,所以将时间序列分解成不同频率分量是必要的。通过对一个典型时间序列进行经验模态分解和小波分解仿真,对比了这两种分解方法,发现经验模态分解方法在处理非线性、非平稳的时间序列具有其独特的优势,最终确定经验模态分解为本文预测方法的分解手段。(3)针对时间序列具有非线性和非平稳的特点,本文提出了将经验模态分解与改进极限学习机相结合的预测方法。其实现过程为:将时间序列通过经验模态分解方法分解成几个不同频率的分量,从而降低了序列的非平稳性,分解后得到的分量表现出了短相关性,短相关性的序列复杂度低,更有利于预测模型的建立。对于每个分解后的分量,分别用改进的极限学习机进行预测,得到各个分量的预测结果,将这些预测结果叠加可得到模型的预测结果。(4)使用两种不同类型的时间序列进行仿真预测,一种为Lorenz混沌时间序列,一种为实际测量的网络流量时间序列,与其他时间序列预测方法做对比,仿真结果表明本文所提出的预测方法精度更高。
Abstract
shi jian xu lie zhong wen han le da liang you jia zhi de xin xi ,shi jian xu lie yu ce shi zhi tong guo dui yi zhi shu ju fen xi gu ji ji wei lai de fa zhan qu shi ,zhun que de dui shi jian xu lie jin hang yu ce ke yi you xiao de zhi dao ren men de sheng chan sheng huo 。ji xian xue xi ji (Extreme Learning Machine,ELM)zuo wei yi chong kuai su de xue xi suan fa ,bei an fan de ying yong yu shi jian xu lie yu ce 。yu chuan tong qian kui shen jing wang lao xiang bi ,ji xian xue xi ji zhi xu yao sui ji she zhi shu ru quan zhi he yin ceng yu zhi ,shu chu quan zhi ke yi tong guo qiu jie yi ge xian xing fang cheng zu de dao ,ji xun lian guo cheng mo xu die dai ,yi bu wan cheng ,zhe yang hen da cheng du de di gao le wang lao de fan hua xing he xue xi su du 。ben wen ji yu ji xian xue xi ji dui shi jian xu lie jin hang yu ce ,zhu yao zuo le ru xia yan jiu :(1)zhen dui ji ben ji xian xue xi ji ren wei xin jiu xun lian yang ben de zhi ying gai xiang deng ,xin xun lian yang ben de quan chong mo fa tong guo jiu xun lian yang ben lai de dao zhe yi wen ti ,ben wen di chu le yi chong gai jin ji xian xue xi ji dui ji ben ji xian xue xi ji de yang ben geng xin ji zhi jin hang gai jin ,jin yi bu di gao le ji xian xue xi ji de hui gui yu ce neng li 。(2)chan shu ti chu yang ben zhong bu ge li shu ju de la yi da (Rajda)biao zhun 、bu chong que shi yang ben shu ju de san ci yang tiao cha zhi fang fa yi ji yang ben gui yi hua chu li de fang fa 。shi jian xu lie bao han zhao bu tong de pin lv fen liang ,suo yi jiang shi jian xu lie fen jie cheng bu tong pin lv fen liang shi bi yao de 。tong guo dui yi ge dian xing shi jian xu lie jin hang jing yan mo tai fen jie he xiao bo fen jie fang zhen ,dui bi le zhe liang chong fen jie fang fa ,fa xian jing yan mo tai fen jie fang fa zai chu li fei xian xing 、fei ping wen de shi jian xu lie ju you ji du te de you shi ,zui zhong que ding jing yan mo tai fen jie wei ben wen yu ce fang fa de fen jie shou duan 。(3)zhen dui shi jian xu lie ju you fei xian xing he fei ping wen de te dian ,ben wen di chu le jiang jing yan mo tai fen jie yu gai jin ji xian xue xi ji xiang jie ge de yu ce fang fa 。ji shi xian guo cheng wei :jiang shi jian xu lie tong guo jing yan mo tai fen jie fang fa fen jie cheng ji ge bu tong pin lv de fen liang ,cong er jiang di le xu lie de fei ping wen xing ,fen jie hou de dao de fen liang biao xian chu le duan xiang guan xing ,duan xiang guan xing de xu lie fu za du di ,geng you li yu yu ce mo xing de jian li 。dui yu mei ge fen jie hou de fen liang ,fen bie yong gai jin de ji xian xue xi ji jin hang yu ce ,de dao ge ge fen liang de yu ce jie guo ,jiang zhe xie yu ce jie guo die jia ke de dao mo xing de yu ce jie guo 。(4)shi yong liang chong bu tong lei xing de shi jian xu lie jin hang fang zhen yu ce ,yi chong wei Lorenzhun dun shi jian xu lie ,yi chong wei shi ji ce liang de wang lao liu liang shi jian xu lie ,yu ji ta shi jian xu lie yu ce fang fa zuo dui bi ,fang zhen jie guo biao ming ben wen suo di chu de yu ce fang fa jing du geng gao 。
论文参考文献
论文详细介绍
论文作者分别是来自沈阳工业大学的王刚，发表于刊物沈阳工业大学2019-07-11论文，是一篇关于时间序列论文,经验模态分解论文,改进极限学习机论文,神经网络论文,预测论文,沈阳工业大学2019-07-11论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自沈阳工业大学2019-07-11论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：时间序列论文; 经验模态分解论文; 改进极限学习机论文; 神经网络论文; 预测论文; 沈阳工业大学2019-07-11论文;