基于极端学习机的多变量混沌时间序列预测

被引：30

作者：

王新迎

韩敏

机构：

[1] 大连理工大学电子信息与电气工程学部

来源：

物理学报 | 2012年 / 61卷 / 08期

关键词：

混沌时间序列预测; 输入变量选择; 极端学习机; 模型选择;

D O I：

暂无

中图分类号：

O415.5 [混沌理论]; O211.61 [平稳过程与二阶矩过程];

学科分类号：

070201 ; 020208 ; 070103 ; 0714 ;

摘要：

针对多变量混沌时间序列预测问题,提出了一种基于输入变量选择和极端学习机的预测模型.其基本思想是对多变量混沌时间序列进行相空间重构后,采用互信息方法选择与预测输出统计相关最高的重构输入变量,借助极端学习机的通用逼近能力建立多变量混沌时间序列的预测模型.为进一步提高预测精度,采用模型选择算法选择具有最小期望风险的极端学习机预测模型.基于Lorenz,R(o|¨)ssler多变量混沌时间序列及R(o|¨)ssler超混沌时间序列的仿真结果证明所提方法的有效性.

引用

页码：97 / 105

页数：9

共 6 条

[1]

Forcasting the behavior of multivariate time series using neural networks. Chakraborty K. Neural Networks . 1992

[2]

Wrappers for feature subset selection. Kohavi R,John G H. Artificial Intelligence . 1997

[3]

Dynamics from multivariate time series. Liangyue Cao,Alistair Mees,Kevin Judd. Physica D Nonlinear Phenomena . 1998

[4]

Feature selection based on mutual information criteria of max-dependency, max-relevance, and min-redundancy. Peng H C,Long F H,Ding C. IEEE Transactions on Pattern Analysis and Machine Intelligence . 2005

[5]

Chapelle O,Vapnik V,Bengio Y. Mach.Learn . 2002

[6]

Huang G B,Zhu Q Y,Siew C K. Neurocomputing . 2006

← 1 →