基于混合模型嵌套的非線性時間序列預(yù)測及其應(yīng)用研究.pdf

1、近幾十年非線性科學(xué)得到了迅速的發(fā)展。對于實際問題中不能直接建立數(shù)學(xué)模型的非線性系統(tǒng)，可以通過實驗或觀測手段獲得非線性時間序列。這些序列中蘊含著豐富的原系統(tǒng)動力信息，非線性建模是捕捉離散數(shù)據(jù)動力特性的方法之一。而目前的建模方法對單一趨勢的模擬數(shù)據(jù)預(yù)測效果還差強(qiáng)人意，但對于兼有長短趨勢的現(xiàn)實數(shù)據(jù)卻力不從心。因此本文的重點是研究兼有長短周期序列的預(yù)測問題，我們以優(yōu)化單一模型為切入點，建立混合模型為創(chuàng)新點，提出直觀混沌判別方法為支撐點，希望達(dá)到

2、更加全面精確地刻畫非線性動力系統(tǒng)的目的。
　　本文的研究內(nèi)容主要包括以下幾個方面：
　　首先，對單一BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。我們借助最小描述長度方法獲得最優(yōu)神經(jīng)因子個數(shù)，從而避免了網(wǎng)絡(luò)過適應(yīng)，提高了泛化能力；通過在粗糙集上的灰色關(guān)聯(lián)分析解決樣本預(yù)測步長選取的問題，從而避免了局部極小，提高了網(wǎng)絡(luò)效率。
　　其次，建立混合模型。通過BP網(wǎng)絡(luò)的并聯(lián)，增強(qiáng)了模型捕捉序列不同趨勢的能力。我們將神經(jīng)網(wǎng)絡(luò)與灰度模型通過方差權(quán)結(jié)合，彌補

3、了各自不足。最后通過馬爾科夫過程對初步誤差進(jìn)行修正，避免了誤差異常跳躍，從而增強(qiáng)了預(yù)測的穩(wěn)定性。
　　再次，對混合模型進(jìn)行數(shù)據(jù)仿真。通過多種模擬數(shù)據(jù)和現(xiàn)實數(shù)據(jù)實驗，我們對混合模型的預(yù)測精度進(jìn)行檢驗與對比，進(jìn)而說明了混合模型各主要組成部分存在的必要性和相對于單一模型的優(yōu)勢，并推廣了該模型在多個領(lǐng)域的應(yīng)用。
　　最后，我們提出了一種直觀判別混沌的方法。通過對原始數(shù)據(jù)建立非參數(shù)預(yù)測模型，提取預(yù)測模型的誤差參數(shù)，計算誤差參數(shù)的相關(guān)系