| 【中文题名】 | 基于最大Lyapunov指数预测的BP神经网络权值学习规则的研究 |
| 【英文题名】 | Research of Weight Learning Arithmetic of BP Neural Network Based on the Maximum Lyapunov Index Forecast |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-11-29 |
| 【中关键词】 | 混沌,BP神经网络,Lyapunov指数,时间序列,, |
| 【英关键词】 | Chaos,Neural Network,Lyapunov Index,Time Series, |
| 【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】 |
BP神经网络(Back Propagation Neural Networks)是人工神经网络中最为重要的网络之一,在智能控制、模式识别、计算机视觉、自适应滤波和信号处理、非线性系统辨识及非线性组合优化等领域应用广泛。BP神经网络具有很强的映射能力,可以解决许多实际问题,但同时还存在着收敛速度慢,易陷于局部极小的缺点。
混沌是二十世纪科学史上的重大发现之一,它揭示了非线性科学的共同属性——有序性与无序性的统一、确定性和随机性的统一。这一发现正在冲击和改变着几乎所有的科学和技术领域。
最大Lyapunov指数预测是混沌时间序列预测中一种常用方法。它是根据数据序列本身所计算出来的客观规律进行预测,具有良好的预测效果。
本文将最大Lyapunov指数预测方法与神经网络权值优化相结合,论证了该算法的具体实现过程。仿真和实验结果充分表明了该算法的有效性和稳定性,克服了BP神经网络收敛速度慢和易陷入局部极小的问题,为混沌时间序列预测运用开辟了新的应用领域。 |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
ABSTRACT |
4-7 |
|
第一章 绪论 |
7-11 |
|
1.1 神经网络研究意义 |
7 |
|
1.2 神经网络国内外研究状况 |
7 |
|
1.3 混沌的发展 |
7-8 |
|
1.4 混沌时间序列的现状 |
8-9 |
|
1.5 本课题提出的意义 |
9-11 |
|
第二章 BP 神经网络 |
11-18 |
|
2.1 BP 神经网络模型 |
11-14 |
|
2.2 BP 神经网络学习规则 |
14-17 |
|
2.3 本章小结 |
17-18 |
|
第三章 混沌时间序列判别及预测方法 |
18-27 |
|
3.1 混沌现象的一般特征 |
18-19 |
|
3.2 奇异吸引子 |
19 |
|
3.3 混沌时间序列的判别 |
19-21 |
|
3.4 混沌时间序列预测 |
21-25 |
|
3.5 本章小结 |
25-27 |
|
第四章 基于最大LYAPUNOV 指数预测神经网络权值的研究 |
27-31 |
|
4.1 引言 |
27 |
|
4.2 混沌时间序列的判定 |
27 |
|
4.3 最大LYAPUNOV 指数预测学习规则的设计 |
27-30 |
|
4.4 本章小结 |
30-31 |
|
第五章 模型仿真及结果分析 |
31-42 |
|
5.1 程序设计 |
31-32 |
|
5.2 实验结果及分析 |
32-42 |
|
第六章 结束语 |
42-43 |
|
6.1 论文的主要工作 |
42 |
|
6.2 论文的创新点 |
42 |
|
6.3 进一步的研究工作 |
42-43 |
|
参考文献 |
43-46 |
|
研究生期间发表的论文、专利和获得的奖励 |
46-47 |
|
致谢 |
47-48 |
|
详细摘要 |
48-51 |
|
| 【DOI】 | LunWen.ID:2.2008.388084 |
