多变量混沌时间序列预测建模研究

论文摘要

近年来，对非线性系统，尤其是混沌背景下产生的时间序列分析越来越受到人们的重视．本文采用人工智能的方法，通过构造专家系统来进行不确定信息的推理预测．主要工作如下：首先，本文利用贝叶斯网络（BNs）在处理不确定知识方面的优势，并结合相空间重构理论，建立了单变量混沌时间序列非线性全局预测模型，并将其应用于单变量混沌时间序列预测，实现对其动力学特性分析，从而达到预测目的．其次，采用相空间同步分析法分析不同变量状态空间的依赖关系，并借助改进的主成分分析法提取多个变量的综合信息，建立了一种针对多变量非线性时间序列预测的模型．最后，分别对预测模型进行仿真验证，实验结果表明：模型具有良好的稳定性和较小的均方根误差率，能够有效地进行预测．

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 本文的研究背景及意义
• 1.2 多变量混沌时间序列预测的研究现状
• 1.3 本文的课题目标
• 1.4 本文的主要工作及结构安排
• 第二章 相空间重构与贝叶斯网络概述
• 2.1 混沌时间序列的相空间重构
• 2.2 贝叶斯网的相关知识
• 2.3 本章小结
• 第三章 基于贝叶斯网的单变量混沌时间序列预测模型
• 3.1 贝叶斯网络的构建原理
• 3.2 贝叶斯网络预测模型的构造方法
• 3.3 单变量贝叶斯网络模型的推理预测
• 3.4 单变量预测模型的算法步骤
• 3.5 仿真实例分析
• 3.6 本章小结
• 第四章 基于贝叶斯网的多变量混沌时间序列预测模型
• 4.1 多变量混沌时间序列中变量的依赖关系
• 4.2 主成分分析（PCA）法
• 4.3 主成分析法贝叶斯网络预测模型
• 4.4 多变量预测模型的算法步骤
• 4.5 仿真实例分析
• 4.6 本章小结
• 第五章 总结与展望
• 5.1 本文工作总结
• 5.2 今后研究工作展望
• 致谢
• 参考文献
• 研究成果