本文關(guān)鍵詞：非線性非高斯時(shí)間序列預(yù)測(cè)研究，由筆耕文化傳播整理發(fā)布。

【摘要】： 決策是人們生產(chǎn)、生活和工作中一項(xiàng)基本思維和實(shí)踐活動(dòng)。小至個(gè)人生活,大至整個(gè)國(guó)家建設(shè),都會(huì)遇到對(duì)一些行動(dòng)方案可行性及優(yōu)劣做出評(píng)價(jià),從中選擇滿意或“最優(yōu)”的行為,而預(yù)測(cè)作為決策的前提和基礎(chǔ),對(duì)方案最終選擇起著至關(guān)重要的作用,因此預(yù)測(cè)也是人類生存和發(fā)展的一項(xiàng)重要活動(dòng)。 時(shí)間序列預(yù)測(cè)作為預(yù)測(cè)領(lǐng)域內(nèi)的一個(gè)重要研究方向,一直是該領(lǐng)域的研究熱點(diǎn)和難點(diǎn),不僅在理論上具有重要意義,而且在實(shí)際應(yīng)用中也有迫切要求,本論文主要工作是圍繞時(shí)間序列預(yù)測(cè)展開,具體內(nèi)容包括: 1.針對(duì)一般非線性、非高斯時(shí)間序列,提出基于RBF-HMM模型的時(shí)間序列預(yù)測(cè)數(shù)學(xué)模型。該模型具有兩個(gè)顯著特點(diǎn):(1)用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)逼近時(shí)間序列中的非線性部分;(2)用隱馬爾可夫模型(HMM)對(duì)隨機(jī)噪聲項(xiàng)進(jìn)行非高斯建模。同時(shí)得到三個(gè)重要結(jié)論:(1)觀測(cè)噪聲服從高斯分布只是服從HMM分布的特例,而觀測(cè)噪聲服從HMM分布則是服從高斯分布的推廣;(2)當(dāng)HMM隨機(jī)項(xiàng)服從單狀態(tài)、單高斯分布時(shí),該模型退化為常見的非線性自回歸滑動(dòng)平均(NARMA)模型;(3)當(dāng)HMM隨機(jī)項(xiàng)服從單狀態(tài)、單高斯分布且RBF網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)為零時(shí),則該模型退化為噪聲項(xiàng)服從高斯白噪聲的自回歸滑動(dòng)平均(ARMA)模型。 2.在時(shí)間序列預(yù)測(cè)模型的統(tǒng)一框架下,研究模型結(jié)構(gòu)和參數(shù)的離線估計(jì)及基于靜態(tài)RBF-HMM模型的時(shí)間序列預(yù)測(cè)問題。首先討論RBF網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的估計(jì)問題,分別介紹RBF網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)的確定方法,深入研究基于梯度下降法的RBF網(wǎng)絡(luò)參數(shù)確定;其次,討論HMM模型結(jié)構(gòu)和參數(shù)的離線估計(jì),分別介紹隱狀態(tài)數(shù)、混合高斯模型數(shù)以及HMM參數(shù)的確定方法;最后研究基于靜態(tài)RBF-HMM模型的時(shí)間序列預(yù)測(cè),并進(jìn)行相應(yīng)實(shí)驗(yàn)研究。 3.針對(duì)靜態(tài)RBF-HMM模型不能動(dòng)態(tài)調(diào)整參數(shù)的不足,提出模型參數(shù)可調(diào)的動(dòng)態(tài)RBF-HMM預(yù)測(cè)模型,并采用序列蒙特卡羅(SMC)方法實(shí)現(xiàn)模型參數(shù)在線調(diào)整和基于動(dòng)態(tài)RBF-HMM模型的時(shí)間序列預(yù)測(cè)。首先給出動(dòng)態(tài)RBF-HMM模型的觀測(cè)方程和狀態(tài)轉(zhuǎn)移方程;其次詳細(xì)介紹了Rao-Blackwellised粒子濾波方法;重點(diǎn)研究基于SMC方法的模型參數(shù)在線估計(jì)和基于動(dòng)態(tài)RBF-HMM模型的時(shí)間序列預(yù)測(cè);最后分別用太陽(yáng)黑子數(shù)平滑月均值數(shù)據(jù)和南京祿口國(guó)際機(jī)場(chǎng)旅客吞吐量周數(shù)據(jù)進(jìn)行實(shí)驗(yàn)研究,結(jié)果表明該模型及算法的有效性。 4.提出結(jié)構(gòu)和參數(shù)均可調(diào)整的動(dòng)態(tài)RBF-HMM預(yù)測(cè)模型,采用SMC方法實(shí)現(xiàn)其結(jié)構(gòu)和參數(shù)的在線調(diào)整以及基于該動(dòng)態(tài)RBF-HMM模型的時(shí)間序列預(yù)測(cè)。分別討論RBF網(wǎng)絡(luò)結(jié)構(gòu)(包括隱含層節(jié)點(diǎn)數(shù)和輸入層節(jié)點(diǎn)數(shù))和HMM結(jié)構(gòu)(包括隱狀態(tài)數(shù)和混合高斯模型數(shù))變化對(duì)模型參數(shù)的影響;并采用SMC方法實(shí)現(xiàn)模型結(jié)構(gòu)和參數(shù)的在線調(diào)整,同時(shí)實(shí)現(xiàn)基于該動(dòng)態(tài)RBF-HMM模型的時(shí)間序列預(yù)測(cè);最后分別用太陽(yáng)黑子數(shù)平滑月均值和南京祿口國(guó)際機(jī)場(chǎng)旅客吞吐量周數(shù)據(jù)進(jìn)行實(shí)驗(yàn)研究。 5.研究基于RBF-HMM模型的時(shí)間序列多步預(yù)測(cè)問題。首先討論多步預(yù)測(cè)的基本概念;然后提出采用SMC方法實(shí)現(xiàn)時(shí)間序列多步預(yù)測(cè)的基本步驟;接著深入研究基于RBF-HMM模型的時(shí)間序列多步預(yù)測(cè),并提出相應(yīng)的算法;最后用CRU國(guó)際鋼材價(jià)格指數(shù)序列進(jìn)行實(shí)驗(yàn)研究,結(jié)果表明該模型及算法的有效性。 6.針對(duì)現(xiàn)實(shí)生活中的船用鋼價(jià)格序列,進(jìn)行基于模型參數(shù)和結(jié)構(gòu)均可調(diào)的動(dòng)態(tài)RBF-HMM模型的建模和預(yù)測(cè)研究,實(shí)踐證明該模型在船用鋼價(jià)格序列預(yù)測(cè)中不失為一種有效的方法,并構(gòu)建了相應(yīng)的價(jià)格預(yù)測(cè)信息系統(tǒng)。
【關(guān)鍵詞】：時(shí)間序列預(yù)測(cè) 在線估計(jì) 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò) 隱馬爾可夫模型 序列蒙特卡羅方法 靜態(tài)RBF-HMM模型 動(dòng)態(tài)RBF-HMM模型 貝葉斯推斷
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2008
【分類號(hào)】：C934
【目錄】：

• 摘要4-6
• ABSTRACT6-16
• 第一章 緒論16-26
• 1.1 預(yù)測(cè)含義及基本原理16-18
• 1.1.1 預(yù)測(cè)的含義16
• 1.1.2 預(yù)測(cè)的基本原理16-18
• 1.2 研究背景及意義18-19
• 1.3 研究現(xiàn)狀19-23
• 1.4 論文的主要工作及創(chuàng)新點(diǎn)23-26
• 1.4.1 研究?jī)?nèi)容23-24
• 1.4.2 創(chuàng)新點(diǎn)24-26
• 第二章 預(yù)備知識(shí)26-38
• 2.1 引言26
• 2.2 時(shí)間序列預(yù)測(cè)26-27
• 2.3 貝葉斯統(tǒng)計(jì)推斷27-28
• 2.4 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)28-30
• 2.4.1 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)28-29
• 2.4.2 RBF 網(wǎng)絡(luò)輸出計(jì)算29
• 2.4.3 RBF 學(xué)習(xí)算法29-30
• 2.5 隱馬爾可夫模型30-33
• 2.5.1 隱馬爾可夫模型的含義30-31
• 2.5.2 隱馬爾可夫模型的基本元素31
• 2.5.3 隱馬爾可夫模型的基本問題和基本算法31-33
• 2.6 序列蒙特卡羅方法33-37
• 2.7 小結(jié)37-38
• 第三章 非線性非高斯時(shí)間序列預(yù)測(cè)模型38-46
• 3.1 引言38
• 3.2 ARMA 模型38-40
• 3.3 NARMA 模型40
• 3.4 基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的非線性建模40-42
• 3.5 基于隱馬爾可夫模型的非高斯建模42-44
• 3.6 預(yù)測(cè)模型的總體框架44-45
• 3.7 小結(jié)45-46
• 第四章 基于靜態(tài)RBF-HMM 模型的時(shí)間序列預(yù)測(cè)46-62
• 4.1 引言46
• 4.2 徑向基函數(shù)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的估計(jì)46-52
• 4.2.1 徑向基網(wǎng)絡(luò)結(jié)構(gòu)的確定46-47
• 4.2.2 徑向基函數(shù)網(wǎng)絡(luò)的參數(shù)估計(jì)47-51
• 4.2.3 RBF 網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)估計(jì)算法研究51-52
• 4.3 隱馬爾可夫模型的結(jié)構(gòu)和參數(shù)估計(jì)52-55
• 4.3.1 隱馬爾可夫模型結(jié)構(gòu)的確定52-53
• 4.3.2 隱馬爾可夫模型的參數(shù)估計(jì)53-55
• 4.4 基于靜態(tài)RBF-HMM 模型的時(shí)間序列預(yù)測(cè)55-57
• 4.5 實(shí)驗(yàn)研究57-61
• 4.6 小結(jié)61-62
• 第五章 基于動(dòng)態(tài)RBF-HMM 模型的時(shí)間序列預(yù)測(cè)——模型參數(shù)可調(diào)62-79
• 5.1 引言62-63
• 5.2 觀測(cè)方程與狀態(tài)轉(zhuǎn)移方程63-65
• 5.3 Rao-Blackwellised 粒子濾波法65-67
• 5.4 基于動(dòng)態(tài)RBF-HMM 模型的時(shí)間序列預(yù)測(cè)67-73
• 5.4.1 抽樣步67-68
• 5.4.2 觀測(cè)值預(yù)測(cè)68-69
• 5.4.3 權(quán)重更新及重采樣69-71
• 5.4.4 精確計(jì)算71-72
• 5.4.5 預(yù)測(cè)算法描述72-73
• 5.5 動(dòng)態(tài)RBF-HMM 模型中的卡爾曼濾波公式推導(dǎo)過程73-75
• 5.5.1 計(jì)算先驗(yàn)概率分布p(α_t| r_t, y_(1:t-1) )73-74
• 5.5.2 計(jì)算似然概率分布p(y_t|r_t, α_t )74
• 5.5.3 計(jì)算歸一化概率分布p(y_t| r_t, y_(1:t-1) )74-75
• 5.6 實(shí)驗(yàn)研究75-78
• 5.6.1 太陽(yáng)黑子數(shù)平滑月均值序列75-76
• 5.6.2 南京祿口國(guó)際機(jī)場(chǎng)旅客吞吐量序列76-78
• 5.7 小結(jié)78-79
• 第六章 基于動(dòng)態(tài)RBF-HMM 模型的時(shí)間序列預(yù)測(cè)——模型結(jié)構(gòu)和參數(shù)可調(diào)79-102
• 6.1 引言79-80
• 6.2 結(jié)構(gòu)可變的動(dòng)態(tài)RBF-HMM 預(yù)測(cè)模型框架80-81
• 6.2.1 結(jié)構(gòu)可變的動(dòng)態(tài)RBF 神經(jīng)網(wǎng)絡(luò)80-81
• 6.2.2 結(jié)構(gòu)可變的動(dòng)態(tài)HMM 噪聲項(xiàng)建模81
• 6.3 觀測(cè)方程和狀態(tài)轉(zhuǎn)移方程81-84
• 6.4 RBF 網(wǎng)絡(luò)結(jié)構(gòu)變化對(duì)模型參數(shù)的影響84-91
• 6.4.1 隱含層節(jié)點(diǎn)數(shù)可變85-86
• 6.4.2 觀測(cè)序列時(shí)滯可變86-88
• 6.4.3 誤差反饋時(shí)滯可變88-91
• 6.5 HMM 結(jié)構(gòu)變化對(duì)模型參數(shù)的影響91-95
• 6.5.1 隱狀態(tài)數(shù)可變91-94
• 6.5.2 混合高斯模型數(shù)可變94-95
• 6.6 基于結(jié)構(gòu)可變的動(dòng)態(tài)RBF-HMM 模型預(yù)測(cè)算法描述95-97
• 6.7 實(shí)驗(yàn)研究97-101
• 6.7.1 太陽(yáng)黑子數(shù)平滑月均值序列97-100
• 6.7.2 南京祿口國(guó)際機(jī)場(chǎng)旅客吞吐量序列100-101
• 6.8 小結(jié)101-102
• 第七章 基于RBF-HMM 模型的時(shí)間序列多步預(yù)測(cè)102-115
• 7.1 引言102
• 7.2 多步預(yù)測(cè)的基本概念102-103
• 7.3 基于RBF-HMM 模型的多步預(yù)測(cè)基本步驟103-104
• 7.3.1 粒子抽樣103
• 7.3.2 多步觀測(cè)值預(yù)測(cè)103-104
• 7.3.3 權(quán)重更新及重采樣104
• 7.3.4 卡爾曼濾波104
• 7.4 基于RBF-HMM 模型的多步觀測(cè)值預(yù)測(cè)104-112
• 7.4.1 計(jì)算概率密度函數(shù) p ( y|^_t |y_(1:t-1))106-107
• 7.4.2 計(jì)算概率密度函數(shù) p ( y|^_t+1 |y_(1:t-1),y|^_t~(i0))107-108
• 7.4.3 計(jì)算概率密度函數(shù)p(y|^_(t+2)|y_(1:t-1),y|^_t~(i0), y|^_(t+1)~(i0,i1))108-109
• 7.4.4 多步測(cè)量值預(yù)測(cè)p(y|^_(t+2)| y_(1:t-1))109-110
• 7.4.5 多步預(yù)測(cè)算法描述110-112
• 7.5 實(shí)驗(yàn)研究112-114
• 7.6 小結(jié)114-115
• 第八章 船用鋼價(jià)格預(yù)測(cè)應(yīng)用系統(tǒng)的開發(fā)115-123
• 8.1 引言115
• 8.2 基于RBF-HMM 模型的船用鋼價(jià)格預(yù)測(cè)115-117
• 8.2.1 船用鋼價(jià)格預(yù)測(cè)的必要性分析115-116
• 8.2.2 基準(zhǔn)序列的選擇116
• 8.2.3 船用鋼價(jià)格短期預(yù)測(cè)及結(jié)果116-117
• 8.3 信息系統(tǒng)的構(gòu)建117-122
• 8.3.1 系統(tǒng)主界面118
• 8.3.2 樣本采集系統(tǒng)118-119
• 8.3.3 數(shù)據(jù)管理系統(tǒng)119-120
• 8.3.4 價(jià)格預(yù)測(cè)系統(tǒng)120-122
• 8.4 小結(jié)122-123
• 第九章 總結(jié)與展望123-126
• 9.1 工作與總結(jié)123-125
• 9.2 展望125-126
• 參考文獻(xiàn)126-138
• 致謝138-139
• 在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文139-140

【引證文獻(xiàn)】

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 曹燦;支持向量機(jī)預(yù)測(cè)在我國(guó)城鎮(zhèn)失業(yè)率研究中的實(shí)證分析[D];西南交通大學(xué);2011年

2 姚愛民;便攜式煤礦瓦斯檢測(cè)儀的研究與設(shè)計(jì)[D];沈陽(yáng)航空航天大學(xué);2011年

3 王麗賢;時(shí)間序列預(yù)測(cè)技術(shù)研究[D];天津理工大學(xué);2012年

  本文關(guān)鍵詞：非線性非高斯時(shí)間序列預(yù)測(cè)研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：313225