| 【中文题名】 | 改进型前向神经网络的时间序列预测及其性能比较 |
| 【英文题名】 | |
| 【学科专业】 | 计算机软件与理论 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2003-5-13 |
| 【中关键词】 | 神经网络,时间序列预测,改进圆形反向传播网络,打折最小平方,链结构神经网络,多步时间序列预测 |
| 【英关键词】 | Neural networks,Time series prediction,Improved circular back-propagation networks,Discounted least squares,Chained neural networks,Multi-steps time series prediction,Outliers,Robustness, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
时间序列预测是动态数据分析处理的一个重要方面，在科学、经济、工程等许多应用中都存在着在历史数据的基础上预测未来的问题。面对自然和社会经济现象中大量存在的非线性、非平稳的复杂时间序列，传统的统计分析方法效果欠佳。自从1987年Lapedes和Farber首先应用神经网络进行预测以来，神经网络预测时间序列方法受到广泛重视。目前，已有多种不同形式的网络被用于工业、经济等的预测中。研究结果表明，神经网络用于预测效果好，为一类高度非线性动态关系的时间序列预测提供了一条有效途径。
在本文中将我们改进的圆形反向传播网络模型(Improved Circular Back Propagation--ICBP)应用于时间序列预测，进行了单步和多步时间序列预测研究。ICBP是我们对圆形反向传播网络(Circular Back Propagation—CBP)的推广，CBP不仅具有良好的推广和自适应能力，而且在其框架下分别构建出矢量量化(VQ)和RBF网络，展示出了极大的灵活性。我们在保持CBP原有结构下，通过对CBP的输入层扩充节点(1个)的特殊构造，以及对该节点与隐层间权值的特殊赋值，获得了较CBP更一般的... |
| 【论文题纲】 |
|
第一章 绪论 |
8-11 |
|
第二章 时间序列预测 |
11-19 |
|
2．1 时间序列的基本概念 |
11 |
|
2．2 时间序列模型 |
11-15 |
|
2．2．1 确定型时间序列模型 |
12-14 |
|
2．2．2 随机型时间序列模型 |
14-15 |
|
2．3 基于神经网络的时间序列预测方法 |
15-19 |
|
2．3．1 神经网络预测时间序列 |
16-17 |
|
2．3．2 几个具体预测时间序列的网络 |
17-19 |
|
第三章 ICBP网络模型 |
19-24 |
|
3．1 ICBP网络模型及其学习算法 |
20-22 |
|
3．2 ICBP与RBF、BAYES判决器及VQ（矢量量化网络）的等价性 |
22-24 |
|
3．2．1 ICBP与RBF的等价性 |
22 |
|
3．2．2 ICBP与Bayes判决器的等价性 |
22-23 |
|
3．2．3 ICBP与矢量量化网络（VQ）的等价性 |
23-24 |
|
第四章 DLS-ICBP网络 |
24-33 |
|
4．1 打折最小平方ICBP网络（DLS-ICBP） |
24-26 |
|
4．2 模拟实验 |
26-33 |
|
4．2．1 非平稳方差时间序列预测实验 |
26-28 |
|
4．2．2 混沌时间序列预测实验 |
28-29 |
|
4．2．3 某城市自来水月用水量时间序列的预测实验 |
29-33 |
|
第五章 DLS-RBF网络 |
33-40 |
|
5．1 RBF网络及其学习算法 |
33-35 |
|
5．1．1 RBF网络的结构 |
33-34 |
|
5．1．2 RBF网络的学习算法 |
34-35 |
|
5．2 打折最小平方RBF（DLS-RBF）网络及其学习算法 |
35-36 |
|
5．3 模拟实验 |
36-40 |
|
5．3．1 混沌时间序列预测实验 |
36 |
|
5．3．2 非平稳方差时间序列预测实验 |
36-37 |
|
5．3．3 某城市自来水月用水量时间序列的预测实验 |
37-40 |
|
第六章 链状DLS-ICBP网络 |
40-46 |
|
6．1 链结构神经网络 |
40-42 |
|
6．1．1 传统的链结构神经网络 |
40-41 |
|
6．1．2 新型的链结构神经网络 |
41-42 |
|
6．2 模拟实验 |
42-46 |
|
6．2．1 多步非平稳方差时间序列预测实验 |
42 |
|
6．2．2 在多步城市用水量预测中的应用 |
42-46 |
|
第七章 LOG-ICBP |
46-51 |
|
7．1 影响函数 |
46-48 |
|
7．1．1 最小均方定义 |
47 |
|
7．1．2 最小平均对数平方定义 |
47 |
|
7．1．3 LMS和LMLS的比较 |
47-48 |
|
7．2 LOG-ICBP |
48-49 |
|
7．3 实验 |
49-51 |
|
7．3．1 实验方法 |
49 |
|
7．3．2 实验结果 |
49-51 |
|
第八章 结论与展望 |
51-53 |
|
8．1 结论 |
51 |
|
8．2 展望 |
51-53 |
|
致谢 |
53-54 |
|
在学期间投发的论文 |
54 |
|
在学期间参与的科研项目 |
54-55 |
|
主要参考文献 |
55-56 |
|
| 【DOI】 | LunWen.ID:2.2008.386718 |
