【摘要】：在氣象、經(jīng)濟(jì)以及工業(yè)生產(chǎn)等諸多方面都涉及到時(shí)間序列預(yù)測問題,因此,對時(shí)間序列進(jìn)行建模和預(yù)測具有非常重要的研究意義。在實(shí)際應(yīng)用中,許多時(shí)間序列呈現(xiàn)很強(qiáng)的非線性特性,使用傳統(tǒng)的預(yù)測方法往往達(dá)不到預(yù)期效果,因此將其當(dāng)作非線性來處理是一種有效的方法。人工神經(jīng)網(wǎng)絡(luò)常被用來構(gòu)建非線性時(shí)間序列預(yù)測模型,而B樣條網(wǎng)絡(luò)就是其中的一種模糊聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)。與其它方法相比,B樣條網(wǎng)絡(luò)結(jié)構(gòu)簡單、待優(yōu)化參數(shù)少、且學(xué)習(xí)速度快。為此,本文在優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的基礎(chǔ)上,提出了一種非線性時(shí)間序列B樣條網(wǎng)絡(luò)預(yù)測模型。本文以時(shí)間序列預(yù)測為背景,主要研究了時(shí)間序列B樣條網(wǎng)絡(luò)預(yù)測模型的搭建,網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的優(yōu)化方法,以及在工業(yè)生產(chǎn)中的應(yīng)用。主要研究工作如下:(1)通過對B樣條函數(shù)性質(zhì)的深度分析,在研究B樣條網(wǎng)絡(luò)結(jié)構(gòu)和運(yùn)行機(jī)理的基礎(chǔ)上,構(gòu)建一種新的時(shí)間序列B樣條網(wǎng)絡(luò)預(yù)測模型。在網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)中,將各個(gè)樣條基函數(shù)的節(jié)點(diǎn)位置和權(quán)值參數(shù)一同作為待優(yōu)化的獨(dú)立變量。(2)依據(jù)選擇的網(wǎng)絡(luò)評價(jià)函數(shù),設(shè)計(jì)一種參數(shù)遞進(jìn)搜索算法對B樣條網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化,并采用正弦函數(shù)和二次函數(shù)驗(yàn)證預(yù)測模型的有效性。(3)針對B樣條網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)優(yōu)化,提出一種改進(jìn)的粒子群優(yōu)化算法,將此算法的函數(shù)驗(yàn)證效果與參數(shù)遞進(jìn)搜索算法優(yōu)化結(jié)果進(jìn)行對比。(4)運(yùn)用這兩種方法對氧化鋁配料生料漿質(zhì)量進(jìn)行預(yù)測,并將預(yù)測的結(jié)果與徑向基函數(shù)網(wǎng)絡(luò)進(jìn)行比較。預(yù)測和對比的結(jié)果表明,粒子群優(yōu)化B樣條網(wǎng)絡(luò)預(yù)測模型具有較好的預(yù)測精度和泛化性能,其工業(yè)應(yīng)用效果較好,有較強(qiáng)的實(shí)用價(jià)值,是一種有效的非線性時(shí)間序列預(yù)測方法。
【學(xué)位授予單位】：湖南工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：P4;O211.61
【圖文】：

0( ) [ ( ) ( ) ( )] ( )i i i i j i jp t x t y t z t f t V 其相應(yīng)頂點(diǎn)i jV 的一個(gè)基函數(shù)。其中數(shù)t的r 次多項(xiàng)式形式，其函數(shù)表達(dá)式0( ) , [0,1]rkj jkkf t a t t 項(xiàng)式的系數(shù)， m 和 r 都是未知常數(shù)。， m 1個(gè)控制點(diǎn)與相同個(gè)數(shù)的基函數(shù)中可以看出，每一個(gè)基函數(shù)都存在 r 的約束條件來設(shè)定其中的未知系數(shù)和是：所有的頂點(diǎn)i jV 都相等，并且相階）的 B 樣條基函數(shù)的表示如下。01( ) 1( )f t tf t t 函數(shù)按照首尾相接的方式進(jìn)行連接就所示。

圖 2-2 二次 B 樣條函數(shù) 樣條基函數(shù)進(jìn)行首尾相接可得到一個(gè)（2-5）表示的基函數(shù)所構(gòu)造出來的 到一階連續(xù)。根據(jù)這樣的推導(dǎo)方法，干個(gè)n階的連續(xù) B 樣條基函數(shù)。滿些相關(guān) B 樣條基函數(shù)，比如冪次數(shù)為表達(dá)式如下0 00 01 01 10 11 10 1( )( )( )rrrrrr r r rrf t a a t a tf t a a t a tf t a a t a t 數(shù)總共有2( r 1)個(gè)。e 提出的定義方法，在函數(shù)頂點(diǎn)值和是均勻分布基的 B 樣條基函數(shù)。差商定義的 B 樣條函數(shù)

( )0,kkt x t xt xt x （2-7）表明，截尾冪函數(shù)只是對t x的區(qū)間部分做了截取，而舍去了除其它部分，在該區(qū)間范圍內(nèi)的函數(shù)取值均為 0，函數(shù)圖形如圖 2-3 所示

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李哲敏;許世衛(wèi);崔利國;張建華;;基于動(dòng)態(tài)混沌神經(jīng)網(wǎng)絡(luò)的預(yù)測研究——以馬鈴薯時(shí)間序列價(jià)格為例[J];系統(tǒng)工程理論與實(shí)踐;2015年08期

2 王晶晶;王劍;;一種BP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法研究[J];軟件導(dǎo)刊;2015年03期

3 裴世鑫;李仲怡;崔芬萍;朱漪婷;;基于RBF人工神經(jīng)網(wǎng)絡(luò)的X級(jí)以上太陽耀斑預(yù)報(bào)研究[J];西北師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年06期

4 魏二虎;楊亞利;金雙根;劉經(jīng)南;;利用LS_AR模型對極移參數(shù)的中長期預(yù)報(bào)[J];測繪地理信息;2014年04期

5 李光;楊韻;;基于RBF神經(jīng)網(wǎng)絡(luò)的柔性機(jī)械臂位置控制[J];湖南工業(yè)大學(xué)學(xué)報(bào);2014年03期

6 史興杰;周勇;;房地產(chǎn)泡沫檢驗(yàn)的Switching AR模型[J];系統(tǒng)工程理論與實(shí)踐;2014年03期

7 林屹;嚴(yán)洪森;周博;;基于多維泰勒網(wǎng)的非線性時(shí)間序列預(yù)測方法及其應(yīng)用[J];控制與決策;2014年05期

8 張浩;張代遠(yuǎn);;基于三次樣條權(quán)函數(shù)神經(jīng)網(wǎng)絡(luò)的股價(jià)預(yù)測[J];計(jì)算機(jī)技術(shù)與發(fā)展;2014年06期

9 席超;蔡成林;李思敏;李孝輝;李志斌;鄧克群;;基于ARMA模型的導(dǎo)航衛(wèi)星鐘差長期預(yù)報(bào)[J];天文學(xué)報(bào);2014年01期

10 馬盡文;青慈陽;;對角型廣義RBF神經(jīng)網(wǎng)絡(luò)與非線性時(shí)間序列預(yù)測[J];信號(hào)處理;2013年12期

相關(guān)博士學(xué)位論文 前1條

1 張滸;時(shí)間序列短期預(yù)測模型研究與應(yīng)用[D];華中科技大學(xué);2013年

相關(guān)碩士學(xué)位論文 前6條

1 詹莎;基于ARMA模型的商業(yè)銀行信貸風(fēng)險(xiǎn)預(yù)測分析[D];蘭州大學(xué);2014年

2 牛家洋;基于神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)時(shí)間序列的預(yù)測方法研究[D];山東師范大學(xué);2013年

3 吳歡;基于改進(jìn)支持向量機(jī)的深基坑變形預(yù)測模型研究[D];江西理工大學(xué);2013年

4 賀強(qiáng);基于GARCH模型的國際干散貨運(yùn)價(jià)指數(shù)波動(dòng)性研究[D];大連海事大學(xué);2013年

5 孫星;時(shí)間序列ARCH模型在金融領(lǐng)域的研究[D];蘇州大學(xué);2013年

6 彭璐;支持向量機(jī)分類算法研究與應(yīng)用[D];湖南大學(xué);2007年

本文編號(hào)：2750541