神经网络
·22· 海 军 航 空 工 程 学 院 学 报 第23卷
是非线性矢量函数。
为方便计算机处理,通常是对混沌系统等间隔采样得到离散的混沌时间序列。假设时间序列
y(k)=
y(k) mean(y(k))
k
max(y(k)) min(y(k))
k
k
。 (5)
{y(k),k=0,1,2,L}是非线性混沌系统某个状态的采
样序列,根据Takens定理[2],只要找到一个合适的嵌入维,即如果延迟坐标的维数m≥2D+1(D是动力系统的关联维数),可以由观测输出y(k)得到一个新的重构系统,并在拓扑等价意义下保持原系统的动力学性态,重构的m维状态向量为:
Y(k)=[y(k),y(k τ),L,y(k (m 1)τ)] (3)
2)选择合适的m和τ重构系统的状态相空间,依据预测步长要求构造训练数据。输入数据为:
Y(k)=[y(k),y(k τ),L,y(k (m 1)τ)], 1,2,k=L,N,
输出数据为y(k+ t),k=1,2,L,N。
3)设计BP网络结构。网络的输入节点数目为重构相空间的维数m,根据具体情况选择合适的隐节点数目,因为每次只是预测出一个数据点,输出节点为单节点。用于实际预测的神经网络结构如图
式中:τ为正整数,称为延迟时间。条件m≥2D+1是实现状态重构的一个充分但不必要条件。找到合适的维数m的过程称为嵌入,获得延迟坐标重构的最小整数m被称为最小嵌入维。
对混沌时间序列进行预测时,给定的预测原点
为k,预测步长为 t,即给定Y(k)的值和若干k时刻之前的时间点,要求预测y(k+ t)的值。如果在k需先建立预测原点 k 和预测时时刻预测y(k+ t),
刻k+ t之间的定量关系。由Takens定理可知,在 重构的相空间中存在一个映射F:Rm→Rm,使得:
Y(k+ t)=F(Y(k)) (4)
1所示。


图1 BP网络预测示意图
4)依次输入训练数据Yk和对应的理想输出数据y(k+ t),对BP网络进行训练。训练结束以后
就可以利用该网络进行预测。
式中:y(k+ t)为当前状态Y(k)的 t步演化状态。因此只要能够逼近真实函数F(g),就能够对y(k+ t)的值作出预测。
5)为了衡量BP网络的预测精度,对训练数据和测试数据分别采用均方误差(MSE)和相对误差(Perr)作为评测标准。
1
MSE=
N
Nk=1
2 基于BP神经网络预测方法
BP网络是通过将网络输出误差反馈回传来对网络参数进行修正,从而实现网络的映射能力。业已证明,具有一个隐层的3层BP网络可以有效地逼近任意连续函数,这个3层网络包括输入层、隐层和输出层。考虑到实际应用当中对于网络预测泛化性能的要求,网络设计应坚持尽可能减小网络复杂性的原则。本文采用3层BP网络模型预测混沌时间序列,输入层节点只传递输入信号到隐层,隐层采用双曲正切S型函数对数据处理后送给输出节点,输出节点是简单的线性函数。BP网络的训练方法很多,这里采用Levengerg_Marquardt训练方法,训练中的误差性能函数设为每次批处理后误差的平方和。
对于一个给定的混沌时间序列,其具体的预测步骤如下:
1)为了便于预测,首先对获得的混沌时间序列进行归一化处理。归一化方法为:
(k)∑y(k) y
k=1
2
N
N
2
, (6)
(k)]/∑y2(k)。 (7) Perr=∑[y(k) y
k=1
3 仿真试验及结果分析
3.1 Lorenz连续混沌系统
著名的非线性混沌Lorenz系统定义如下[15]:
dx
dt=10(y x) dy
=(28 z)x y。 (8) dt dz8 dt=xy 3z
令初值[0.003 1,0.192 8,0.420 8],取计算步长0.01,利用四阶Runge-Kutta算法求得Lorenz系统的数值解,从2 000点数据后取3 000个x分量进行预后2 000测分析,其中前1 000个数据作为训练数据,
变参数混沌时间序列的神经网络滚动预测研究_专业资料。神经网络适合于全局建模预测,在确定性混沌系统时间序列的预测中获得广泛应用.许多混沌系统由于参数的慢变导致...
与现有预测方法比较,神经网络在混沌时间序列预测中具有优势。利用RBF神经网络对混沌Lorenz时间序列的预测进行仿真研究,仿真结果表明:在单步直接预测、单步间接预测、多...
结果表明,所提出的混沌神经神经网络模型能快速、精确地预测混沌时间序列,并能在一定精度上满足多步预测需要,是研究复杂非线性动维普资讯 http://www.cqvip.com 第...
基于差分进化的BP神经网络预测混沌时间序列_机械/仪表_工程科技_专业资料 暂无评价
基于神经网络的混沌时间序列预测_专业资料。为了提高了RBF神经网络对于混沌时间序列的预测性能,从相空间重构理论出发,建立RBF神经网络,并且改变RBF神经网络训练参数及...
最后,探讨了BP神经网络的模型与结构、BP算法学习规则, 构建了基于BP神经网络的混沌时间序列预测模型,研究了神经网络 的规模、推广能力等问题。并利用建立的BP神经...
基于遗传神经网络的超混沌时间序列预测 研究了超混沌系统的预测问题。通过分析混沌时间序列,建立具有多个隐节点的3层前馈网络,基于泛化性考虑采用剪枝算法训练,在...
基于BP神经网络的混沌时间序列预测方法及应用研究 神经网络在时间序列的预测中得到广泛的应用,但神经网络模型的输入层神经元个数的选取仍然没有一个明确的解析式来...
由于混沌方程有限以及混沌序列对 初值的敏感,该方法对方程的参数要求高,预测效果不好,近年采用神经鼹 络对时间序列进行了预测的研究,但单~的神经网络对预测结采有...
热门文档