文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 高等教育 > 管理学 > 混沌时间序列的神经网络预测研究
侵权投诉

混沌时间序列的神经网络预测研究

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。

混沌时间序列的神经网络预测研究

混沌时间序列的神经网络预测研究

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,

上一页第2页

你可能喜欢

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email