多變量時(shí)間序列極限學(xué)習(xí)機(jī)預(yù)測(cè)
【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
本文鏈接:http://sikaile.net/guanlilunwen/tongjijuecelunwen/2854692.html