基于特征提取方法的大规模混沌时间序列预测

发布时间：2021-03-29 09:06

　　混沌时间序列普遍存在于社会生活的各个方面,随着科学技术的发展和传感器应用的普及,各领域混沌时间序列的观测规模和维数显著增加,数据规模的增加不仅增加了数据特征提取的难度,同时使预测更加困难。为有效获得大规模时间序列的特征信息,实现精准预测,应对大规模混沌时间序列进行特征信息的提取、构建高效的预测模型。对此,本文以大规模混沌时间序列为研究目标,从混沌时间序列的演化信息提取、时序特征捕捉和信息充分利用三方面进行分析,有效提取大规模混沌时间序列的特征信息,以提高预测精度。针对混沌时间序列内部复杂的动态信息,对其进行相空间重构。均匀相空间重构虽然能够获取混沌时间序列中的非线性演化信息,但重构后的数据具有更大的规模且难以辨别关键特征。为解决相空间重构在高维时间序列中存在的参数选择困难的问题,本文引入稀疏主成分分析进行自动的关键变量选择和特征提取,应用适应大规模数据的宽度学习系统进行时间序列预测。针对时间序列数据特有的时序动态信息,构建有效的时序特征提取模型。受限玻尔兹曼机因其强大的无监督特征学习能力在时间序列特征提取方面表现出了极好的效果,并且比传统的时间序列预测模型对输入数据更具有自适应性。但对... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景和意义
    1.2 国内外研究状况分析
    1.3 论文的主要内容及结构
2 基于稀疏主成分分析的大规模混沌时间序列预测模型
    2.1 基础算法介绍
        2.1.1 相空间重构
        2.1.2 稀疏主成分分析
        2.1.3 宽度学习系统
    2.2 稀疏主成分分析宽度学习预测模型
    2.3 仿真实验
        2.3.1 Lorenz数据集仿真实验
        2.3.2 北京PM2.5数据集仿真实验
    2.4 小结
3 基于受限玻尔兹曼机的大规模混沌时间序列预测模型
    3.1 基础算法介绍
        3.1.1 受限玻尔兹曼机
        3.1.2 漏积分回声状态网络
    3.2 递归受限玻尔兹曼机预测模型
    3.3 仿真实验
        3.3.1Rossler数据集仿真实验
        3.3.2北京温度数据集仿真实验
    3.4 小结
4 基于递归储备池结构的大规模混沌时间序列预测模型
    4.1 最大化信息挖掘宽度学习预测模型
    4.2 信息利用相关分析
        4.2.1 信息利用机制分析
        4.2.2 与DenseNet、HighwayNet、ResNet网络的联系
        4.2.3 随机映射分析
    4.3 仿真实验
        4.3.1Lorenz数据集仿真实验
        4.3.2北京温度数据集仿真实验
    4.4 小结
结论
参考文献
攻读硕士学位期间参与项目情况
攻读硕士学位期间发表学术论文情况
致谢


【参考文献】：
期刊论文
[1]基于门控循环单元神经网络的PM2.5浓度预测[J]. 王玮,王文发,张哲.  无线互联科技. 2019(04)
[2]应用Elman神经网络的混沌时间序列预测[J]. 张兴会,刘玲,陈增强,袁著祉.  华东理工大学学报. 2002(S1)



本文编号：3107309