混沌時間序列普遍存在于社會生活的各個方面,隨著科學技術(shù)的發(fā)展和傳感器應用的普及,各領(lǐng)域混沌時間序列的觀測規(guī)模和維數(shù)顯著增加,數(shù)據(jù)規(guī)模的增加不僅增加了數(shù)據(jù)特征提取的難度,同時使預測更加困難。為有效獲得大規(guī)模時間序列的特征信息,實現(xiàn)精準預測,應對大規(guī)�；煦鐣r間序列進行特征信息的提取、構(gòu)建高效的預測模型。對此,本文以大規(guī)�；煦鐣r間序列為研究目標,從混沌時間序列的演化信息提取、時序特征捕捉和信息充分利用三方面進行分析,有效提取大規(guī)�；煦鐣r間序列的特征信息,以提高預測精度。針對混沌時間序列內(nèi)部復雜的動態(tài)信息,對其進行相空間重構(gòu)。均勻相空間重構(gòu)雖然能夠獲取混沌時間序列中的非線性演化信息,但重構(gòu)后的數(shù)據(jù)具有更大的規(guī)模且難以辨別關(guān)鍵特征。為解決相空間重構(gòu)在高維時間序列中存在的參數(shù)選擇困難的問題,本文引入稀疏主成分分析進行自動的關(guān)鍵變量選擇和特征提取,應用適應大規(guī)模數(shù)據(jù)的寬度學習系統(tǒng)進行時間序列預測。針對時間序列數(shù)據(jù)特有的時序動態(tài)信息,構(gòu)建有效的時序特征提取模型。受限玻爾茲曼機因其強大的無監(jiān)督特征學習能力在時間序列特征提取方面表現(xiàn)出了極好的效果,并且比傳統(tǒng)的時間序列預測模型對輸入數(shù)據(jù)更具有自適應性。但對... 

【文章來源】：大連理工大學遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究狀況分析
    1.3 論文的主要內(nèi)容及結(jié)構(gòu)
2 基于稀疏主成分分析的大規(guī)�；煦鐣r間序列預測模型
    2.1 基礎(chǔ)算法介紹
        2.1.1 相空間重構(gòu)
        2.1.2 稀疏主成分分析
        2.1.3 寬度學習系統(tǒng)
    2.2 稀疏主成分分析寬度學習預測模型
    2.3 仿真實驗
        2.3.1 Lorenz數(shù)據(jù)集仿真實驗
        2.3.2 北京PM2.5數(shù)據(jù)集仿真實驗
    2.4 小結(jié)
3 基于受限玻爾茲曼機的大規(guī)�；煦鐣r間序列預測模型
    3.1 基礎(chǔ)算法介紹
        3.1.1 受限玻爾茲曼機
        3.1.2 漏積分回聲狀態(tài)網(wǎng)絡
    3.2 遞歸受限玻爾茲曼機預測模型
    3.3 仿真實驗
        3.3.1Rossler數(shù)據(jù)集仿真實驗
        3.3.2北京溫度數(shù)據(jù)集仿真實驗
    3.4 小結(jié)
4 基于遞歸儲備池結(jié)構(gòu)的大規(guī)�；煦鐣r間序列預測模型
    4.1 最大化信息挖掘?qū)挾葘W習預測模型
    4.2 信息利用相關(guān)分析
        4.2.1 信息利用機制分析
        4.2.2 與DenseNet、HighwayNet、ResNet網(wǎng)絡的聯(lián)系
        4.2.3 隨機映射分析
    4.3 仿真實驗
        4.3.1Lorenz數(shù)據(jù)集仿真實驗
        4.3.2北京溫度數(shù)據(jù)集仿真實驗
    4.4 小結(jié)
結(jié)論
參考文獻
攻讀碩士學位期間參與項目情況
攻讀碩士學位期間發(fā)表學術(shù)論文情況
致謝


【參考文獻】：
期刊論文
[1]基于門控循環(huán)單元神經(jīng)網(wǎng)絡的PM2.5濃度預測[J]. 王瑋,王文發(fā),張哲.  無線互聯(lián)科技. 2019(04)
[2]應用Elman神經(jīng)網(wǎng)絡的混沌時間序列預測[J]. 張興會,劉玲,陳增強,袁著祉.  華東理工大學學報. 2002(S1)



本文編號：3107309