基于过程神经元网络的时序预测模型研究

论文摘要

时间序列预测是用被预测事物过去和现在的观测数据,构造依时间变化的序列模型,借助其反映出来的发展过程、方向和趋势,进行外推或延伸,从而预测下一段时间可能达到的状态和水平,是预测领域的重要组成部分,在工程领域和科学研究中具有重要意义。过程神经元网络可以同时表达系统多输入时变信号的空间聚合作用和时间过程的累积效应,能够直接处理过程式数据,且具有在时变函数空间上的连续性和对满足Lipschitz条件泛函的逼近能力,以及与Turing机等价的计算能力,这使过程神经元网络在解决实际问题中有着广泛的适应性和灵活性。论文对已有的用于时序预测问题研究的理论、方法、模型进行归纳总结,对目前方法存在的问题和困难进行了分析,并基于时序预测模型及径向基过程神经网络,提出了一种新的非线性组合预测方法。该方法将单一预测方法得出的预测结果,作为RBFPNN的输入,而实际的历史数据值作为网络的期望输出,这样避免了一般线性组合预测方法中确定各个权重的复杂计算,又可涵盖实际问题的线性与非线性两方面,综合地利用各种单一预测方法提供的信息,提高了预测精度。最后将这种预测方法应用在航空公司的旅客数量预测中,取得了满意的结果。针对非线性时间序列中的混沌时间序列分析问题,论文从重构相空间理论出发,探讨确定相空间嵌入维数和延迟时间各种不同的方法。对时间序列混沌特性的识别方法,及混沌相空间预测模型进行了详细讨论,并根据相空间重构技术和过程神经网络的技术原理,寻求二者的结合点,从而提出了一种相空间重构与过程神经网络相结合的混沌时间序列预测方法。并以太阳黑子数预测为例验证了算法的有效性。针对时序预测中的Markov链状态转移预测问题,提出了一种基于离散过程神经元网络(DPNN)的等效状态转移预测方法和模型,探讨了DPNN与Markov模型在一定条件下对于系统状态转移问题描述的等价关系。对于任意的Markov链,本文给出了与之等效DPNN的构建方法和Markov链状态转移概率条件约束下的网络权值矩阵求解算法,仿真实验结果验证了方法的有效性。

论文目录

• 摘要
• ABSTRACT
• 创新点摘要
• 第一章 绪论
• 1.1 研究背景
• 1.2 时间序列概述
• 1.3 过程神经元网络概述
• 1.3.1 过程神经元模型
• 1.3.2 过程神经元网络模型
• 1.4 本章小结
• 第二章 时序预测问题和方法研究
• 2.1 时间序列预测特点
• 2.2 已有的时间序列预测方法研究总结
• 2.2.1 传统时序预测方法
• 2.2.2 近代时序预测方法
• 2.3 目前方法存在的问题和困难分析
• 2.4 本章小结
• 第三章 基于径向基过程神经元网络的组合时序预测方法
• 3.1 径向基过程神经元网络
• 3.1.1 径向基过程神经元
• 3.1.2 径向基过程神经元网络结构
• 3.2 组合预测策略
• 3.2.1 非负最优线性组合预测模型
• 3.2.2 加权几何平均组合预测模型
• 3.3 基于径向基过程神经网络的组合预测模型
• 3.3.1 RBFPNN 的网络拓扑结构参数
• 3.3.2 学习算法
• 3.4 应用实例分析
• 3.5 本章小结
• 第四章 基于DRBFPNN 的混沌时间序列预测方法
• 4.1 混沌理论
• 4.2 混沌序列相空间重构
• 4.2.1 嵌入延迟的确定
• 4.2.2 嵌入维数的确定
• 4.3 混沌时间序列预测
• 4.3.1 全局预测法
• 4.3.2 基于最大Lyapunov 指数的预测方法
• 4.3.3 基于DRBFPNN 的预测方法
• 4.4 太阳黑子混沌时序预测仿真
• 4.5 本章小结
• 第五章 基于DPNN 的马尔可夫链等效状态转移模型
• 5.1 马尔可夫链模型
• 5.2 离散过程神经网络模型
• 5.2.1 离散过程神经元
• 5.2.2 离散过程神经元网络
• 5.2.3 学习算法
• 5.3 离散过程神经网络与马尔可夫模型关系研究
• 5.3.1 马尔可夫链的等效离散过程神经网络表示
• 5.4 等效状态转移模型应用实例
• 5.4.1 航空发动机转子诊断实例
• 5.4.2 沪综指走势实例
• 5.5 本章小结
• 第六章 结论
• 参考文献
• 发表文章目录
• 致谢
• 详细摘要