【摘要】：近年來,作為非線性信號(hào)處理的重要手段,基于再生核希爾伯特空間(Reproducing Kernel Hilbert Space,RKHS)的核學(xué)習(xí)方法得到廣泛關(guān)注。核學(xué)習(xí)方法通過非線性映射,將輸入樣本嵌入到高維特征空間,即在高維特征空間中對(duì)非線性數(shù)據(jù)進(jìn)行線性處理,巧妙的將非線性問題映射為高維特征空間中的線性問題,其廣泛應(yīng)用于模式識(shí)別以及其他非線性回歸建模中,如何提高工程應(yīng)用中時(shí)間序列的預(yù)測精度并且滿足實(shí)時(shí)性的要求具有重要意義。本文主要研究了基于核自適應(yīng)濾波算法的實(shí)測交通流量預(yù)測以及網(wǎng)絡(luò)流時(shí)間序列預(yù)測,基于核自適應(yīng)濾波算法的自適應(yīng)特性,能夠滿足對(duì)交通流量以及網(wǎng)絡(luò)流量預(yù)測的實(shí)際需求,且能提高預(yù)測精度。本文的研究內(nèi)容為:(1)研究支持向量機(jī)(Support Vector Machine,SVM)、核極限學(xué)習(xí)機(jī)(Kernel Extreme Learning Machine,KELM)等建模方法,分析其基本理論與算法基礎(chǔ)。(2)針對(duì)Henon、Mackey-Glass混沌時(shí)間序列預(yù)測,為進(jìn)一步提高預(yù)測精度,研究基于特征提取技巧的KPCA-KELM(Kernel Principal Component Analysis,核主元分析)方法及核偏最小二乘(Kernel Partial Least Square,KPLS)方法。為衡量其有效性,在同等條件下,還與SVM、LSSVM、KPCA-SVM、KPCA-LSSVM、KELM方法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明,KPCA-KELM、KPLS方法均能取得不錯(cuò)的預(yù)測效果。(3)為滿足實(shí)際應(yīng)用中對(duì)預(yù)測精度以及實(shí)時(shí)性的要求,提出一類基于在線核自適應(yīng)濾波的預(yù)測模型,包括核遞推最小二乘(Kernel Recursive Least Squares,KRLS)和核最小均方(Kernel Least Mean Square,KLMS)方法。(4)將KRLS、KLMS方法應(yīng)用于實(shí)測的短時(shí)交通流量及貝爾計(jì)算實(shí)驗(yàn)室記錄的基于BC-pAug89.TL、BC-pOct89.TL和BC-Oct89Ext.TL數(shù)據(jù)集的網(wǎng)絡(luò)流量時(shí)間序列預(yù)測,為驗(yàn)證所用方法的有效性,在同等條件下,與KPLS、KPCA-KELM等方法的預(yù)測結(jié)果進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明,所提出的KRLS方法、KLMS方法能有效改善預(yù)測精度,加快收斂速度。進(jìn)一步與現(xiàn)有相關(guān)文獻(xiàn)進(jìn)行對(duì)比,同等條件下,KRLS方法的預(yù)測結(jié)果略優(yōu)于基于改進(jìn)T-S模糊神經(jīng)網(wǎng)絡(luò)以及采用變分高斯過程的短時(shí)交通流量預(yù)測結(jié)果。
【學(xué)位授予單位】：蘭州交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：U491.14

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 何蕭玲;時(shí)間序列預(yù)測的一個(gè)前饋神經(jīng)網(wǎng)絡(luò)模型[J];福州大學(xué)學(xué)報(bào)(自然科學(xué)版);2001年04期

2 聶皖生;時(shí)間序列預(yù)測的權(quán)數(shù)理論[J];統(tǒng)計(jì)與預(yù)測;1994年05期

3 張志鵬;王偉平;鄭海超;;卡爾曼濾波及其在時(shí)間序列預(yù)測中的應(yīng)用[J];儀表技術(shù);2010年07期

4 江勝菊;王濤;;一型模糊邏輯系統(tǒng)在時(shí)間序列預(yù)測中的應(yīng)用[J];遼寧工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年05期

5 朱丹;;“時(shí)間序列預(yù)測”教學(xué)探討[J];中山大學(xué)學(xué)報(bào)論叢;2005年06期

6 孫延風(fēng),梁艷春,姜靜清,吳春國;金融時(shí)間序列預(yù)測中的神經(jīng)網(wǎng)絡(luò)方法[J];吉林大學(xué)學(xué)報(bào)(信息科學(xué)版);2004年01期

7 王鴻緒;陳德廣;過建春;金海龍;;基于逆模糊數(shù)的模糊時(shí)間序列預(yù)測的新方法[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2015年07期

8 楊月英;馬萍;;基于灰色時(shí)間序列預(yù)測中國汽車銷量[J];湖州職業(yè)技術(shù)學(xué)院學(xué)報(bào);2012年01期

9 吳江;李太勇;;基于加權(quán)支持向量機(jī)的金融時(shí)間序列預(yù)測[J];商業(yè)研究;2010年01期

10 楊鐘瑾;;核函數(shù)支持向量機(jī)的時(shí)間序列預(yù)測應(yīng)用研究[J];消費(fèi)導(dǎo)刊;2008年10期

相關(guān)會(huì)議論文 前10條

1 尤華;王建東;;機(jī)場噪聲的時(shí)間序列預(yù)測[A];2011年通信與信息技術(shù)新進(jìn)展——第八屆中國通信學(xué)會(huì)學(xué)術(shù)年會(huì)論文集[C];2011年

2 陳宇;唐常杰;鐘義嘯;段磊;喬少杰;普東航;;基于基因表達(dá)式編程和時(shí)變強(qiáng)度的時(shí)間序列預(yù)測[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

3 王亮;鐘登華;葛曉冬;;預(yù)測方法綜述[A];全國青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第1卷）[C];1991年

4 程乾生;;非線性時(shí)間序列預(yù)測——基于數(shù)據(jù)結(jié)構(gòu)的預(yù)測方法[A];全國第一屆嵌入式技術(shù)聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2006年

5 劉經(jīng)緯;王普;劉蘇;楊蕾;;時(shí)間序列預(yù)測小波神經(jīng)網(wǎng)絡(luò)控制方法研究[A];第26屆中國控制與決策會(huì)議論文集[C];2014年

6 王昭旭;郝曉辰;郭f萬，

本文編號(hào)：2698299