時(shí)間序列不僅可以反映天文、金融、生物醫(yī)學(xué)、控制學(xué)、海洋科學(xué)等領(lǐng)域的發(fā)展變化過(guò)程,還可以探索其發(fā)展變化規(guī)律來(lái)預(yù)測(cè)某些現(xiàn)象。隨著時(shí)間序列分析的深入,國(guó)內(nèi)外已提出一系列線性和非線性預(yù)測(cè)方法,并取得了良好的應(yīng)用效果,但其中絕大多數(shù)方法都是針對(duì)單變量時(shí)間序列預(yù)測(cè)提出的。然而現(xiàn)實(shí)生活中所采集的時(shí)間序列數(shù)據(jù)往往不是由單一因素所決定,需要綜合考慮多種因素。因此,對(duì)多變量時(shí)間序列預(yù)測(cè)進(jìn)行研究更具有現(xiàn)實(shí)意義。由于多變量時(shí)間序列數(shù)據(jù)具有不同于單變量時(shí)間序列自身的特性:多噪聲、多尺度、變量相關(guān)等,現(xiàn)有的單變量時(shí)間序列預(yù)測(cè)方法無(wú)法直接預(yù)測(cè)多變量時(shí)間序列,因此研究多變量時(shí)間序列預(yù)測(cè)具有重要的理論價(jià)值。本文以極限學(xué)習(xí)機(jī)(ELM)為工具,針對(duì)多變量時(shí)間序列預(yù)測(cè)展開研究,提出三種多變量時(shí)間序列極限學(xué)習(xí)機(jī)預(yù)測(cè)模型,主要完成了如下工作:1、極限學(xué)習(xí)機(jī)在參數(shù)學(xué)習(xí)過(guò)程中僅考慮已知樣本信息,而在實(shí)際應(yīng)用中樣本個(gè)數(shù)往往有限,因此ELM僅考慮有限已知樣本信息無(wú)法滿足預(yù)測(cè)準(zhǔn)確性的需求。針對(duì)這一問(wèn)題,在極限學(xué)習(xí)機(jī)的特征空間中綜合考慮特征樣本的已知信息和潛在信息,提出潛在極限學(xué)習(xí)機(jī)(LELM)預(yù)測(cè)模型。在多變量時(shí)間序列上的實(shí)驗(yàn)結(jié)果表明,LELM能夠有效提高極限學(xué)習(xí)機(jī)的預(yù)測(cè)能力。2、在極限學(xué)習(xí)機(jī)預(yù)測(cè)多變量時(shí)間序列時(shí),需將矩陣樣本轉(zhuǎn)換成向量作為模型的輸入,這極大地影響模型預(yù)測(cè)精度。針對(duì)這一問(wèn)題,結(jié)合奇異值分解思想,在極限學(xué)習(xí)機(jī)隱藏層和輸出層之間增加SVD降維層,提出一種基于矩陣形式輸入的多變量時(shí)間序列極限學(xué)習(xí)機(jī)預(yù)測(cè)模型(SVDELM)。在混沌時(shí)間序列和股票時(shí)間序列上的實(shí)驗(yàn)結(jié)果表明,SVDELM是一種有效的多變量時(shí)間序列預(yù)測(cè)模型。3、SVDELM和一.維極限學(xué)習(xí)機(jī)(2D-ELM)均是基于矩陣形式輸入的預(yù)測(cè)模型,然而SVDELM對(duì)特征空間樣本降維,2D-ELM在投影過(guò)程中對(duì)輸入樣本降維,都將造成原始數(shù)據(jù)信息的丟失。針對(duì)上述問(wèn)題,提出一種無(wú)需對(duì)輸入樣本降維的預(yù)測(cè)模型,即改進(jìn)的二維極限學(xué)習(xí)機(jī)(I2D-ELM)。實(shí)驗(yàn)結(jié)果表明I2D-ELM能夠大大提高多變量時(shí)間序列預(yù)測(cè)模型的精度。
【學(xué)位單位】：福州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2016
【中圖分類】：C829.2
【部分圖文】：

多研宂者發(fā)現(xiàn)，多層前反饋神經(jīng)網(wǎng)絡(luò)在訓(xùn)練樣本無(wú)限多時(shí)具有通用逼近能力，??然而實(shí)際應(yīng)用中的訓(xùn)練集是有限的［１５］。文獻(xiàn)［３２］指出，單隱層節(jié)點(diǎn)個(gè)數(shù)大于或??等于訓(xùn)練樣本個(gè)數(shù)時(shí)，幾乎任意非線性激勵(lì)函數(shù)都能使單隱層前饋神經(jīng)網(wǎng)絡(luò)??（ＳＬ－ＦＮＮ）以零誤差逼近真值。然而其基于梯度下降法調(diào)整輸入層和隱藏層的連??接矩陣和偏置使該算法時(shí)間開銷太大。??事實(shí)上，ＦＮＮ輸入層和隱藏層之間的連接矩陣和偏置在學(xué)習(xí)過(guò)程中無(wú)需??每次調(diào)整，這能大大減少ＦＮＮ的學(xué)習(xí)時(shí)間代價(jià)。文獻(xiàn)［３３］指出當(dāng)給定連接矩陣??和隱層節(jié)點(diǎn)偏置時(shí)，若ＦＮＮ具有Ｗ個(gè)隱層節(jié)點(diǎn)，則它能夠以任意小誤差逼近７Ｖ??個(gè)觀測(cè)值，而當(dāng)隱層偏置也固定時(shí)，ＳＬ－ＦＮＮ能夠在緊湊數(shù)據(jù)集中逼近任意連??續(xù)函數(shù)丨３２］。??由于當(dāng)給定連接矩陣和隱層節(jié)點(diǎn)偏置時(shí)，ＳＬ－ＦＮＮ可以簡(jiǎn)單地看成是一個(gè)??特征空間的線性系統(tǒng)，為此文獻(xiàn)［１５］提出極限學(xué)習(xí)機(jī)（ＥＬＭ），其基本思路是：首??先隨機(jī)生成連接矩陣和偏置將說(shuō)始數(shù)據(jù)集映射到特征空間，優(yōu)化輸出權(quán)重。Ｉ￡ＬＭ??無(wú)需優(yōu)化連接矩陣和偏置使其學(xué)習(xí)速度比ＦＮＮ快得多，同時(shí)還具有更好的泛化??性能。??

?－???ＲＭＳＥ?Ｉ?ＭＡＥ??名稱?變量?ＥＬＭ?ＷＥＬＭ?ＬＥＬＭ?｜?ＥＬＭ?ＷＥＬＭ?ＬＥＬＭ??ｘ?０．０６１０?０．１２０５?０．０５７０?Ｉ?０．０４９４?０．１０８５?０．０４６５??Ｒｏｓｓｌｅｒ?ｙ?０．０７３８?０．１１２６?０．０６９３?０．０５８５?０．０９９３?０．０５５３??ｚ?０．０００４?０．０００３?０．０００４?０．０００３?０．０００２?０．０００３??ｘ?２．５８６９?５．６８５?２．４９９６?２．４４７?５．３８２２?２．３５０８??Ｃｈｅｎ’ｓ?ｙ?３．２７５３?７．３１１７?３．２３１１?３．１６４?６．６５８３?３．１０７３??ｚ?４．７３５３?１４．８７１６?４．５６６９?４．６９５１?１４．０６４７?４．５２４７??ａ－?０．６０１０?４．４６２５?０．４６１１?０．４４６９?３．１０８９?０．３３２９??Ｌｏｒｅｎｔｚ?ｙ?１．７１６３?６．９１０３?１．２２８０?｜?１．２９５０?４．９０５３?０．９２４７??ｚ?１．３８５５?７．８６７３?１．００２１?｜?１．０２３６?４．２４２２?０．７２８６??從表３－４、表３－５可以看出，本章所提出的潛在極限學(xué)習(xí)機(jī)（ＬＥＬＭ）在６個(gè)??多變量時(shí)間序列共２１個(gè)不同變量中有１９個(gè)變量的ＲＭＳＥ和ＭＡＥ均比ＥＬＭ和??ＷＥＬＭ低，說(shuō)明本章所提出的ＬＥＬＭ比ＥＬＭ、ＷＥＬＭ的預(yù)測(cè)效果更好。這是??因?yàn)椋蹋牛蹋统丝紤]了己知樣本信息，還考慮了潛在樣本信息，從而有效輯高??了?ＥＬＭ模型的預(yù)測(cè)能力。?］＞??８．５?｜?Ｉ?Ｉ?Ｉ?Ｉ??

?２５０?３００??圖３－３國(guó)農(nóng)科技??圖３－１，?３－２，?３－３分別是ＬＥＬＭ、ＥＬＭ、ＷＥＬＭ在３種股票時(shí)間序列開盤價(jià)??的擬合曲線。從圖３－１，３－２，?３－３可以看出本章所提出的ＬＥＬＭ在３支股票的開??盤價(jià)上預(yù)測(cè)效果均達(dá)到最好。??１９??
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 崔兆順;;基于小波變換的網(wǎng)絡(luò)流量組合預(yù)測(cè)模型[J];計(jì)算機(jī)工程與應(yīng)用;2014年10期

2 何群;李磊;江國(guó)乾;謝平;;基于PCA和多變量極限學(xué)習(xí)機(jī)的軸承剩余壽命預(yù)測(cè)[J];中國(guó)機(jī)械工程;2014年07期

3 董紅玉;陳曉云;;基于奇異值分解和判別局部保持投影的多變量時(shí)間序列分類[J];計(jì)算機(jī)應(yīng)用;2014年01期

4 王杰;畢浩洋;;基于極限學(xué)習(xí)機(jī)的煙葉成熟度分類[J];煙草科技;2013年05期

5 張金良;譚忠富;;混沌時(shí)間序列的混合預(yù)測(cè)方法[J];系統(tǒng)工程理論與實(shí)踐;2013年03期

6 陳欽亞;姜德爍;;矩陣方程AX=B有解的判定和解的結(jié)構(gòu)[J];安康學(xué)院學(xué)報(bào);2012年03期

7 王新迎;韓敏;;基于極端學(xué)習(xí)機(jī)的多變量混沌時(shí)間序列預(yù)測(cè)[J];物理學(xué)報(bào);2012年08期

8 席劍輝;王海丹;;基于改進(jìn)RBF網(wǎng)絡(luò)的多變量序列建模和預(yù)測(cè)[J];信息與控制;2012年02期

9 郭創(chuàng)新;王揚(yáng);沈勇;王媚;曹一家;;風(fēng)電場(chǎng)短期風(fēng)速的多變量局域預(yù)測(cè)法[J];中國(guó)電機(jī)工程學(xué)報(bào);2012年01期

10 張弦;王宏力;;基于Cholesky分解的增量式RELM及其在時(shí)間序列預(yù)測(cè)中的應(yīng)用[J];物理學(xué)報(bào);2011年11期

相關(guān)碩士學(xué)位論文 前2條

1 馬倩倩;多元時(shí)間序列相似性搜索算法研究[D];蘭州理工大學(xué);2013年

2 卓飛豹;多變量時(shí)間序列的預(yù)處理和聚類研究[D];福建師范大學(xué);2009年

本文編號(hào)：2854692