| 【中文题名】 | 基于BP神经网络的混沌时间序列预测模型研究 |
| 【英文题名】 | Study Chaotic Time Series Forecasting Model Based on BP Neural Networks |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-16 |
| 【中关键词】 | 混沌,相空间重构,嵌入维,关联维,延迟时间,BP算法 |
| 【英关键词】 | chaos,Phase-space reconstruction,embedding dimension,Correlation Dimension,delay time,BP algorithm, |
| 【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】 |
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。时间序列预测是预测领域内的一个重要研究方向，这是一种根据历史数据构造时间序列模型，再把模型外推来预测未来的一种方法。近年来，来自天文、水文、气象等领域如太阳黑子、径流量、降雨量等时间序列都被发现含有混沌特性。面对自然和社会经济现象中大量存在的混沌时间序列，传统的统计分析方法效果欠佳。神经网络具有优良的非线性特性，非常适合于混沌序列预测的研究。基于人工神经网络与混沌理论的预测研究是近几年来的研究热点，受到了特别的重视，本论文对此作了较为系统深入的研究。
首先，本文对混沌时间序列的概念和判别方法做了简单介绍，介绍了一个具体的人工混沌时间序列模型：Lorenz模型，总结了时间序列的混沌识别的一些基本方法。
然后，介绍了混沌时间序列预测的基础：相空间的重构理论，即把具有混沌特性的时间序列重建为一种低阶非线性动力学系统。通过相空间重构，可以找出隐藏在混沌吸引子中的演化规律，使现有的数据纳入某种可描述的框架之下，从而为时间序列的研究提供了一种崭新的方法和思路。在重构相空间时，合适的延迟时间和嵌入维数的选取至关重要。本文着重介... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
ABSTRACT |
5-9 |
|
第一章 绪论 |
9-15 |
|
1.1 研究背景 |
9-10 |
|
1.2 混沌时间序列分析的研究现状 |
10-11 |
|
1.3 神经网络方法在混沌时间序列预测中的应用研究现状 |
11-13 |
|
1.4 选题的目的、意义及课题的研究内容 |
13-14 |
|
1.5 论文组织结构 |
14-15 |
|
第二章 混沌的定义与识别 |
15-21 |
|
2.1 混沌的基本概念 |
15-17 |
|
2.2 开放系统的混沌动力学系统: Lorenz模型 |
17-18 |
|
2.3 吸引子 |
18-19 |
|
2.4 时间序列的混沌识别方法 |
19-20 |
|
2.5 小结 |
20-21 |
|
第三章 延迟时间与嵌入维数的选取 |
21-27 |
|
3.1 相空间重构的理论基础 |
21-22 |
|
3.2 相空间重构的参数选取方法 |
22-26 |
|
3.2.1 延迟时间的选取方法 |
22-23 |
|
3.2.2 嵌入维数的选取方法 |
23-26 |
|
3.3 小结 |
26-27 |
|
第四章 传统的BP网络及其改进 |
27-35 |
|
4.1 传统的BP网络 |
27-30 |
|
4.2 学习速率的提高及泛化能力的改进 |
30-34 |
|
4.2.1 算法改进 |
30-32 |
|
4.2.2 网络结构的优化 |
32-33 |
|
4.2.3 训练策略 |
33-34 |
|
4.3 小结 |
34-35 |
|
第五章 实验及结果 |
35-45 |
|
5.1 基于BP网络的混沌时间序列模型 |
35 |
|
5.2 混沌时间序列预测的建模步骤 |
35-36 |
|
5.3 实例计算1 |
36-40 |
|
5.4 算例分析2 |
40-44 |
|
5.5 小结 |
44-45 |
|
第六章 结论及展望 |
45-47 |
|
6.1 研究工作及成果总结 |
45 |
|
6.2 进一步研究方向 |
45-47 |
|
参考文献 |
47-51 |
|
致谢 |
51-52 |
|
攻读学位期间主要研究成果 |
52 |
|
| 【DOI】 | LunWen.ID:2.2008.389101 |
