论文部分内容阅读
随着混沌理论和应用技术研究的不断深入,混沌时间序列分析及预测不仅已成为混沌信号处理研究领域的前沿研究热点,且能够解决工程实践中遇到难以用线性信号处理方法解决的大量非线性信号处理问题。 Vapnik等在1995年提出了一种新型机器学习方法——支持矢量机SVM(Support vector machines),SVM是在统计学习理论基础上发展起来的一种新的机器学习方法,又称为支持向量网络,具有理论完备、全局优化、鲁棒性好、泛化性能好等优点,已经成为目前国际、国内研究的热点。鉴于支持矢量机具有完备的统计学习理论基础和出色的学习性能,本文结合混沌理论及经典混沌预测方法,研究基于支持向量机的混沌时间序列预测方法,仿真实验表明应用该方法对混沌时间序列的预测研究有着非常重要的理论和实际意义。 本文主要围绕混沌时间序列预测方法及支持向量机在混沌序列预测中的应用展开研究,主要内容包括:(1)混沌时间序列分析及预测中参数的合理选取;(2)混沌序列的全局支持向量机预测法及其应用 (3)混沌序列的局域支持向量机预测法及其应用。主要研究成果包括: 1、介绍了混沌时间序列的全局支持向量机预测法,全面分析了该方法的预测性能,并详细讨论了支持向量机预测混沌时间序列中各种参数的合理选择,通过大量的仿真实验给出了合理的建议。 2、讨论了混沌时间序列的局域预测方法,针对支持向量机预测方法运算复杂度高的特点提出了混沌时间序列的局域支持向量机预测法,建立了相应的预测模型并研究了该预测法对混沌时间序列预测的可行性及预测性能,研究结果表明这种预测模型能够有效地预测混沌时间序列,且运算复杂度较低。这些均进一步发展了混沌时间序列预测结构及算法。 3、对时空混沌及混沌跳频码特性分析的基础上,用支持向量机预测法对三种时空混沌序列及两条典型的跳频码进行了预测,预测结果表明混沌局域支持向量机预测法能够对时空混沌时间序列进行有效预测,相比其他预测法具有更高的预测精度和更快的预测速度,同时采用全局支持向量机对混沌跳频码的预测也获得了较高的预测精度。