多元混沌时间序列的加权极端学习机预测

被引：14

作者：

韩敏

王新迎

机构：

[1] 大连理工大学电子信息与电气工程学部

来源：

控制理论与应用 | 2013年 / 30卷 / 11期

关键词：

时间序列; 预测; 极端学习机; 支持向量机; 样本加权;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

摘要：

针对多元混沌时间序列具有强非线性,难以建立数学模型进行准确预测的问题,本文提出一种加权极端学习机预测算法.首先对多元混沌时间序列进行相空间重构,并根据相空间中输入数据对预测误差的影响施加不同的权重.然后,提出一种支持向量极端学习机预测模型,具有支持向量机的核映射表达能力以及极端学习机的一步快速训练能力,因此训练简便且具有较好的泛化性能.所提算法具有和训练样本三次方成正比的计算复杂度,因此适用于102?103样本规模的平稳时间序列.基于Lorenz混沌时间序列和年太阳黑子和黄河年径流混沌时间序列预测的仿真结果证明所提算法的有效性.

引用

页码：1467 / 1472

页数：6

共 13 条

[1] 自适应单指数平滑法在短期交通流预测中的应用 [J].