基于支持向量機的混沌序列預測方法研究.pdf

1、隨著混沌理論和應(yīng)用技術(shù)研究的不斷深入，混沌時間序列分析及預測不僅已成為混沌信號處理研究領(lǐng)域的前沿研究熱點，且能夠解決工程實踐中遇到難以用線性信號處理方法解決的大量非線性信號處理問題。 Vapnik等在1995年提出了一種新型機器學習方法——支持矢量機SVM(Supportvectormachines)，SVM是在統(tǒng)計學習理論基礎(chǔ)上發(fā)展起來的一種新的機器學習方法，又稱為支持向量網(wǎng)絡(luò)，具有理論完備、全局優(yōu)化、魯棒性好、泛化性能好等優(yōu)

2、點，已經(jīng)成為目前國際、國內(nèi)研究的熱點。鑒于支持矢量機具有完備的統(tǒng)計學習理論基礎(chǔ)和出色的學習性能，本文結(jié)合混沌理論及經(jīng)典混沌預測方法，研究基于支持向量機的混沌時間序列預測方法，仿真實驗表明應(yīng)用該方法對混沌時間序列的預測研究有著非常重要的理論和實際意義。 本文主要圍繞混沌時間序列預測方法及支持向量機在混沌序列預測中的應(yīng)用展開研究，主要內(nèi)容包括：(1)混沌時間序列分析及預測中參數(shù)的合理選取； (2)混沌序列的全局支持向量機預測

3、法及其應(yīng)用(3)混沌序列的局域支持向量機預測法及其應(yīng)用。主要研究成果包括： 1、介紹了混沌時間序列的全局支持向量機預測法，全面分析了該方法的預測性能，并詳細討論了支持向量機預測混沌時間序列中各種參數(shù)的合理選擇，通過大量的仿真實驗給出了合理的建議。 2、討論了混沌時間序列的局域預測方法，針對支持向量機預測方法運算復雜度高的特點提出了混沌時間序列的局域支持向量機預測法，建立了相應(yīng)的預測模型并研究了該預測法對混沌時間序列預測的

4、可行性及預測性能，研究結(jié)果表明這種預測模型能夠有效地預測混沌時間序列，且運算復雜度較低。這些均進一步發(fā)展了混沌時間序列預測結(jié)構(gòu)及算法。 3、對時空混沌及混沌跳頻碼特性分析的基礎(chǔ)上，用支持向量機預測法對三種時空混沌序列及兩條典型的跳頻碼進行了預測，預測結(jié)果表明混沌局域支持向量機預測法能夠?qū)r空混沌時間序列進行有效預測，相比其他預測法具有更高的預測精度和更快的預測速度，同時采用全局支持向量機對混沌跳頻碼的預測也獲得了較高的預測精度。