基于空域相关的RBF神经网络混沌时间序列预测研究

与现有预测方法比较,神经网络在混沌时间序列预测中具有优势。利用RBF神经网络对混沌Lorenz时间序列的预测进行仿真研究,仿真结果表明：在单步直接预测、单步间接预测、多步直接预测和多步间接预测中,多步间接预测是其中最有效的方式。     

基于Elman神经网络的时间序列股票价格短期预测

Elman神经网络是一种典型的回归神经网络,比BP神经网络具有更强的计算和适应时变特性的能力,因而非常适用于预测股市这一类极其复杂的非线性动力学系统。文章给出一种基于Elman神经网络的股票市场建模、预测及决策方法,对浦发银行股价在时间序列上作了连续若干天的短期预测,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。     

流程工业中基于混沌时间序列的成本预测研究

针对流程工业中连续性生产过程的时间序列特点,采用基于混沌时间序列的Lyapunov指数计算和预测方法对成本进行了预测研究。     

非线性时间序列的神经网络预测的研究

采用各种改进的BP算法及径向基神经网络来逼近非线性映射Xn 1=4Xn(1-xn)，揭示了人工神经网络有非常强的逼近非线性映射的能力。同时也分析对比了各种算法的性能，讨论了几种改善人工神经网络功能的途径。     

混沌时间序列单变量和多变量重构的预测比较

提出了多变量混沌时间序列相空间延迟重构中延迟时间间隔和嵌入维数的选取方法，给出了多变量混沌时间序列的局部平均预测法，局部线性预测法和BP神经网络预测法等3种非线性预测方法．通过Lorenz系统的仿真计算表明，无论用3种非线性预测方法中的哪一种，多变量混沌时间序列要比单变量混沌时间序列的预测误差小得多，即使前的数据长度只有后的一半，前的预测误差也要小很多．另外从预测误差最小的角度验证了多变量混沌时间序列相空间延迟重构中延迟时间间隔和嵌入维数选取方法的有效性．     

混沌时间序列的相关性及其应用

混沌时间序列分析不同于传统的时间序列分析,本质上是非线性动力学分析,在观念和方法上都有革命性的创新。探讨混沌时间序列的相关性及其应用。     

基于CNN超混沌序列的语音加密方案研究

提出一种基于五维CNN超混沌序列的语音加密方案,并对该方案进行了性能分析.仿真结果表明,该方案对密钥具有高度的敏感性,密钥空间巨大,明文的统计特性完全被打破,且大大降低了相邻语音数据的相关性,因此,具有较高的可靠性和保密性.     

航班延误时间序列的混沌特征分析及短时预测

针对航班延误时间序列的混沌特性,建立基于极限学习机(extreme learning machine, ELM)的混沌短时预测模型,对机场航班延误状况进行预测。首先,结合某枢纽机场2018年进离场航班延误架次、延误率和平均延误时长等航班延误状况时间序列,运用小数据量法对序列进行混沌识别;进而,根据递归图理论分析序列的混沌特征,并进行序列的可预测分析;最后,建立基于ELM的混沌预测模型对不同航班延误状况进行预测。结果表明:6个航班延误状况时间序列均符合混沌特性;进场航班延误架次的可预测性最高,进、离场航班平均延误时间长的可预测性均较低;通过本文预测方法对进、离场航班延误架次的预测效果较佳,均方根误差分别为4.520 9和4.524 3,证明该预测方法有效、可行。     

连续混沌系统时间序列的可视图分析

以连续混沌系统时间序列为例,通过可视图方法分析其可行性,研究结果表明网络的度分布并不是幂率分布;并且发现同一个混沌系统的两个变量所对应的度序列之间存在很大的关联性,且序列中大数值点基本上都没有成为网络中的大度点。通过详细的对比分析得出时间序列的二阶导数和网络度大的节点间存在一定关系。可视图的全局统计量可以很好刻画系统的分岔过程,因此,可视图方法完全可以用来分析连续混沌系统的时间序列。     

多变量混沌时间序列局部多项式预测方法及应用

为了改善混沌时间序列的预测精度,提出了一种新的多变量混沌时间序列的局部多项式预测方法.它首先利用多变量时间序列的相空间重构理论重构相空间,并据此利用多项式函数构造预测模型,该模型根据嵌入维数构造数据矩阵,进行模型的参数估计和计算一步预测值,最后根据平均根统计量推断预测效果.Lorenz系统的模拟仿真和上海综合股价指数的局部预测结果表明:用多变量混沌时间序列局部多项式预测法进行预测的误差小,且比单变量混沌时间序列局部多项式预测法的预测精度高.     

基于神经网络的人口增长多变量时间序列预测模型

人口增长是一个复杂的非线性动态系统,基于神经网络建立人口增长时间序列的预测模型,并通过实例仿真得出预测我国未来人口增长情况．     

柳江径流混沌时间序列的平均周期分析

以柳江历年年径流总量时间序列、近十年日最高水位时间序列及Henon系统产生的混沌序列为原始数据,计算这三个混沌序列的八个平均周期.研究发现对于柳江径流数据与Henon系统数据,八种平均周期数据性质变化一致;而针对柳江径流数据的物理意义,对计算结果综合理论分析,则以功率加权计算得到的平均周期,在径流的混沌特性分析过程中更具有实际意义.     

基于数据挖掘的网络流量预测研究

为提高网络流量预测的效率和准确性,提出基于数据挖掘的网络流量动态预测方法。在对网络流量数据进行相空重构的基础上,采用基于神经网络的数据挖掘方法实现流量动态预测。实验表明：这种方法有较好的预测精度,为网络性能异常的预警行为研究奠定良好的基础。     

基于模糊时间序列模型预测三亚旅游总收入

提出模糊时间序列预测的一种改进方法,重新研究杭州宋城主题公园旅游收入预测问题,历史数据的模拟预测时的AFER比应用GM(1,1)灰色模型预测时更小,因此就杭州宋城主题公园旅游收入预测问题的案例而言,模糊时间序列预测的一种改进方法比GM(1,1)灰色模型的预测精度要高。应用该方法研究三亚市旅游总收入预测问题,不仅进行历史数据模拟预测研究,还进行未知年数据的预测研究。该方法预测公式结果简洁,计算方便,历史模拟预测误差率较小,是一种可行的短期预测方法。     

基于灰色理论的时间序列交通事故预测

针对交通事故发生的特点,探讨了灰色系统和时间序列模型在道路交通事故预测中的具体应用,在介绍分析道路交通事故灰色性的基础上,建立了基于灰色预测理论的交通事故预测模型,并用其分别对道路交通事故的死亡人数、交通事故量进行了预测,其结果是可信的．     

基于Volterra级数的RLS自适应算法的混沌时间序列预测

根据混沌序列产生的确定性和非线性机制,基于Volterra级数和RLS算法,提出了一种少参数二阶非线性滤波算法用于混沌时间序列的自适应预测。仿真结果表明,这种非线性自适应滤波器能有效地预测一些超混沌序列,而且该滤波器的一步均方误差性能明显高于其他基于Volterra级数的NLMS算法,表明该算法具有良好的收敛性能。     

水文预报的时间序列神经网络模型

时间序列分析在水文预报中起重要作用 ,其关键是要建立一个合适的预报模型 .文章提出基于 BP算法的单输出和多输出水文预报时间序列神经网络模型 ,克服了以往多种基于随机分析预报模型的缺点 ,不仅能实现快速灵活的信息处理 ,而且具有很强的非线性映射和自学习、自适应能力 ,这为更精确描述复杂非线性水文过程提供了可能 .通过对历史数据的学习 ,模型可对水文径流量时间序列进行预报 ,两个实例分析表明模型的可行性和有效性     

降水酸度时间序列的确定性混沌

基于非线性动力系统理论与方法研究了常德市降水酸度月均值序列的确定性混沌特征，并与美国佛罗里达州降水酸度月均值序列进行了比较．结果表明，降水酸度月均值序列的变化既不是确定性的，也不是随机性的，而是混沌的．以Grassberger-Procaccia算法计算表明，降水酸度演变存在奇异吸引子，且两序列吸引子的关联维数D2分别为3．89及4．73，重构相空间的嵌入维数M必须分别满足5≤M≤14及6≤M≤14才能较好地描述或预测系统的演化状态．     

混沌时间序列之下图书借读流量的探析

图书借读流量处于一种不断变化的状态之中,本文根据混沌时间序列原理对图书阅读流量进行了研究,研究结果显示利用这一原理,以向量机为建模器具可以很好地处理在书籍阅读的过程中出现的问题,有助于提高图书馆书籍借读过程中各项工作的质量。     

基于细胞神经网络混沌特性的图像加密技术应用研究

基于细胞神经网络(Cellular Neural Networks)的数字图像加密算法,利用细胞神经网络独有特性,构造一个五维的混沌序列作为秘钥源,在此基础上利用Logistic混沌序列图像像素置乱算法,从而实现对图像加密.编程模拟仿真实验表明,加密图像置乱度高,相邻像素的相关性小,抗攻击性强,安全性更高.最后对明文和密文进行相关性分析,从理论上验证了该加密算法的可靠性.