基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测

针对传统预测模型对混沌时间序列预测精度低、收敛速度慢及模型结构复杂的问题,提出了基于改进教学优化算法的Hermite正交基神经网络预测模型.首先,将自相关法和Cao方法相结合对混沌时间序列进行相空间重构,以获得重构延迟时间向量;其次,以Hermite正交基函数为激励函数构成Hermite正交基神经网络,作为预测模型;最后,将模型参数优化问题转化为多维空间上的函数优化问题,利用改进教学优化算法对预测模型进行参数优化,以建立预测模型并进行预测分析.分别以Lorenz系统和Liu系统为模型,通过四阶Runge-Kutta法产生混沌时间序列作为仿真对象,并进行单步及多步预测对比实验.仿真结果表明,与径向基函数神经网络、回声状态网络、最小二乘支持向量机及基于教学优化算法的Hermite正交基神经网络预测模型相比,所提预测模型具有更高的预测精度、更快的收敛速度和更简单的模型结构,验证了该模型的高效性,便于推广和应用.