基于变分模态分解和神经网络的混沌时间序列预测研究

发布时间：2020-05-09 13:02

【摘要】：随着人们对大自然的深入研究,越来越多的时间序列被认为具有混沌特性,如降水量、温度以及太阳黑子数等。分析时间序列的混沌特性并对其进行预测,可以识别事物的本质,发掘事物隐含的规律,对人类社会的进步产生了深远的影响。变分模态分解(Variational Mode Decomposition,VMD)是一种新型的自适应信号分解方法,广泛用于混沌信号处理。本文通过采用VMD、BP神经网络、极限学习机、智能优化算法等,以降水量、温度以及太阳黑子月均值为研究对象,探究组合预测模型在混沌时间序列预测中的优势。主要工作有:(1)利用混沌理论对降水量、温度以及太阳黑子数时间序列进行混沌特性分析,计算相空间重构参数、最大Lyapunov指数和Kolmogorov熵。实验结果表明,这三类气象时间序列都具有混沌特性,可以进行短期混沌时间序列预测。(2)提出一种基于变分模态分解与极限学习机相结合的月降水量混沌时间序预测模型。VMD能够有效抑制模态混叠现象,极限学习机训练速度快,设置参数简单。实验结果表明,与其他多种模型进行比较,该模型能够很好的预测出降水量趋势,提高了预测精度。(3)提出一种基于变分模态分解与改进极限学习机相结合的温度月均值混沌时间序预测模型。利用粒子群优化算法选择极限学习机的最优权值,提高网络预测性能。实验结果表明,改进后的模型能够有效的预测出温度,进一步提高预测精度。(4)提出一种基于萤火虫算法优化的BP神经网络与变分模态分解相结合的太阳黑子月均值组合预测模型。利用萤火虫优化算法,快速寻找到BP神经网络模型的最优权值,有效提高了模型的预测性能。实验结果表明,与没有优化过的神经网络相比,该预测模型在预测精度上有一定的提升,预测效果较好。
【图文】：

前馈神经网络,隐含层,输出层,随机样本

图 3.1 典型的单隐层前馈神经网络结构不同的随机样本，其中第 i 个表示为 iix , t， iix x,1 TN R，则激活函数为 gxgxgxgxl,,,12 的 βgwxbyjNiijijlii,1,2,3,,1 Tiiinw,w,,w12 为第 i 个输入层和隐含层之间的 Tim 为第 i 个隐含层与输出层神经元间的连接权向量偏置量，jy为输出层神经元节点处输出值。不断进行学习训练以达到输出误差最小的目的，，可01 Njjjy tiw和ib 满足以下关系： βgwxbtjNijijlii,1,2,3,,

结构框图,预测模型,结构框图

种因素的影响导致降水量时间序列具有复杂的特性分析，说明月降水量属于混沌时间序列，具采用单一的预测模型建模较为困难，因此本预测模型来改善月降水量时间序列预测的精度MF 分量，为一组互不影响、较平稳的数组。然分别建立 ELM 模型进行网络的训练与预测。最终预测结果。VMD-ELM 预测模型的结构框图始数据，分析数据的频域特性并确定K 的取值 IMF 分量；进行归一化处理，分别对每个 IMF 分量建立 ELM 模型各网络层数；量进行 ELM 模型预测，将其预测结果相加即为
【学位授予单位】：西安邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP183;O415.5;P182.41;P426.6

【相似文献】