基于深度信念网络的时间序列预测研究

发布时间：2021-03-16 00:19

　　近年来,随着物联网系统和大数据技术的快速发展,使得时间序列的的收集变得简单快捷,同时收集到的时间序列数据也变得数据量巨大、非线性程度很高、数据结构复杂,传统的时间序列分析已经不能满足这种复杂数据结构的分析和预测,为了满足高度非线性数据结构的预测,新的预测模型的研究就显得尤为重要。深度学习的出现给高度非线性的时间序列数据的分析预测带来了希望,其中深度信念网络（Deep Belief Network,DBN）有着强大的特征提取能力,对非线性的数据结构有很强的处理能力,相较于传统的建模方式,深度信念网络能够通过其提取到的特征通过“黑盒子”的方式建立原始数据的模型。近几年深度信念网络在图像分类、语音识别等复杂的数据结构方面的应用已经非常成熟,但在时间序列预测的应用方面还属于研究开发阶段。本文针对时间序列的预测的建模问题提出了新的方法,对基于深度信念网络（DBN）的时间序列预测方法进行了研究。本文将回声状态网络（Echo State Network,ESN）应用于DBN的决策层,用来预测时间序列。同时由于DBN和ESN均属于神经网络,其网络参数较多而且对网络的预测结果影响较大,因此本文应用具有全... 

【文章来源】：西安理工大学陕西省

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

深度学习框架

稀疏自编码器结构图

常用非线性激活函数

【参考文献】：
期刊论文
[1]基于RBF神经网络结构选择方法的Mackey-Glass与Lorenz混沌时间序列预测建模[J]. 邵海见,邓星.  江苏科技大学学报(自然科学版). 2018(05)
[2]基于均衡KNN算法的电力负荷短期并行预测[J]. 林芳,林焱,吕宪龙,程新功,张慧瑜,陈伯建.  中国电力. 2018(10)
[3]基于DBN的金融时序数据建模与决策[J]. 曾志平,萧海东,张新鹏.  计算机技术与发展. 2017(04)
[4]基于深度学习的短时交通流预测[J]. 罗向龙,焦琴琴,牛力瑶,孙壮文.  计算机应用研究. 2017(01)
[5]基于深度学习的手绘草图识别[J]. 赵鹏,王斐,刘慧婷,姚晟.  四川大学学报(工程科学版). 2016(03)
[6]基于对比散度-受限玻尔兹曼机深度学习的产品评论情感分析[J]. 高琰,陈白帆,晁绪耀,毛芳.  计算机应用. 2016(04)
[7]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川.  数据采集与处理. 2016(01)
[8]基于深度学习神经网络的孤立词语音识别的研究[J]. 王山海,景新幸,杨海燕.  计算机应用研究. 2015(08)
[9]基于时间序列分析的滑坡位移预测模型研究[J]. 徐峰,汪洋,杜娟,叶疆.  岩石力学与工程学报. 2011(04)
[10]基于回声状态网络的时间序列预测方法研究[J]. 彭宇,王建民,彭喜元.  电子学报. 2010(S1)

博士论文
[1]时间序列相似性与预测算法研究及其应用[D]. 闫明月.北京交通大学 2014
[2]支持向量机学习算法的若干问题研究[D]. 王磊.电子科技大学 2007



本文编号：3085073