時間序列中蘊含了大量有價值的信息,時間序列預測是指通過對已知數(shù)據(jù)分析估計其未來的發(fā)展趨勢,準確地對時間序列進行預測可以有效地指導人們的生產(chǎn)生活。極限學習機(Extreme Learning Machine,ELM)作為一種快速的學習算法,被廣泛地應用于時間序列預測。與傳統(tǒng)前饋神經(jīng)網(wǎng)絡相比,極限學習機只需要隨機設置輸入權(quán)值和隱層閾值,輸出權(quán)值可以通過求解一個線性方程組得到,其訓練過程無需迭代,一步完成,這樣很大程度地提高了網(wǎng)絡的泛化性和學習速度。本文基于極限學習機對時間序列進行預測,主要做了如下研究:(1)針對基本極限學習機認為新舊訓練樣本的值應該相等,新訓練樣本的權(quán)重無法通過舊訓練樣本來得到這一問題,本文提出了一種改進極限學習機對基本極限學習機的樣本更新機制進行改進,進一步提高了極限學習機的回歸預測能力。(2)闡述剔除樣本中不合理數(shù)據(jù)的拉伊達(Rajda)標準、補充缺失樣本數(shù)據(jù)的三次樣條插值方法以及樣本歸一化處理的方法。時間序列包含著不同的頻率分量,所以將時間序列分解成不同頻率分量是必要的。通過對一個典型時間序列進行經(jīng)驗模態(tài)分解和小波分解仿真,對比了這兩種分解方法,發(fā)現(xiàn)經(jīng)驗模態(tài)分解方法在處理非線性、非平穩(wěn)的時間序列具有其獨特的優(yōu)勢,最終確定經(jīng)驗模態(tài)分解為本文預測方法的分解手段。(3)針對時間序列具有非線性和非平穩(wěn)的特點,本文提出了將經(jīng)驗模態(tài)分解與改進極限學習機相結(jié)合的預測方法。其實現(xiàn)過程為:將時間序列通過經(jīng)驗模態(tài)分解方法分解成幾個不同頻率的分量,從而降低了序列的非平穩(wěn)性,分解后得到的分量表現(xiàn)出了短相關(guān)性,短相關(guān)性的序列復雜度低,更有利于預測模型的建立。對于每個分解后的分量,分別用改進的極限學習機進行預測,得到各個分量的預測結(jié)果,將這些預測結(jié)果疊加可得到模型的預測結(jié)果。(4)使用兩種不同類型的時間序列進行仿真預測,一種為Lorenz混沌時間序列,一種為實際測量的網(wǎng)絡流量時間序列,與其他時間序列預測方法做對比,仿真結(jié)果表明本文所提出的預測方法精度更高。
【學位單位】：沈陽工業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：O211.61;TP181
【部分圖文】：

圖 2.6 反饋網(wǎng)絡的網(wǎng)絡結(jié)構(gòu)Fig. 2.6 Feedback network structure典型自組織網(wǎng)絡，結(jié)構(gòu)如圖 2.7 所的區(qū)域，不同區(qū)域有不同的響應，[43]

OXW圖2.8 學習算法結(jié)構(gòu)圖Fig. 2.8 Learning algorithm structure diagram以單隱含層前饋神經(jīng)網(wǎng)絡為例，詳細介紹誤差反向傳播算法的過程，單隱含層前饋神經(jīng)網(wǎng)絡的網(wǎng)絡結(jié)構(gòu)如圖 2.9 所示：nx1ijw1x2x2liwmo1o2on p m圖2.9 單隱含層前饋神經(jīng)網(wǎng)絡結(jié)構(gòu)圖Fig. 2.9 Single hidden layer feedforward neural network structure在圖 2.9 中n表示輸入層的神經(jīng)元數(shù)目，神經(jīng)網(wǎng)絡輸入為 1 2, , ,TnX x x x， p表示隱含層的神經(jīng)元數(shù)目， m 為輸出層的神經(jīng)元數(shù)目，神經(jīng)網(wǎng)絡輸出信號為 1 2, , ,TmO o o o，神經(jīng)網(wǎng)絡的期望輸出為 1 2, , ,TmD d d d，輸入層與隱含層的加權(quán)矩陣為 1ijp nw

a 為該序列經(jīng)過小波分解第 5 層的近似分量，該分量代表了被分解序列的趨勢。從對圖 3.3 和圖 3.4 這兩個不同分解方法得到的各個分量的時域圖可以看出，經(jīng)驗模態(tài)分解總是先把序列中的主要成分提取出來，并且一般前幾個分量包含了被分解時間序列的主要信息，最后一個分量代表了整個序列的趨勢項。小波分解得到的細節(jié)分量和近

【相似文獻】

相關(guān)期刊論文 前10條

1 何蕭玲;時間序列預測的一個前饋神經(jīng)網(wǎng)絡模型[J];福州大學學報(自然科學版);2001年04期

2 聶皖生;時間序列預測的權(quán)數(shù)理論[J];統(tǒng)計與預測;1994年05期

3 張志鵬;王偉平;鄭海超;;卡爾曼濾波及其在時間序列預測中的應用[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)在時間序列預測中的應用[J];遼寧工業(yè)大學學報(自然科學版);2012年05期

5 朱丹;;“時間序列預測”教學探討[J];中山大學學報論叢;2005年06期

6 孫延風,梁艷春,姜靜清,吳春國;金融時間序列預測中的神經(jīng)網(wǎng)絡方法[J];吉林大學學報(信息科學版);2004年01期

7 王鴻緒;陳德廣;過建春;金海龍;;基于逆模糊數(shù)的模糊時間序列預測的新方法[J];數(shù)學的實踐與認識;2015年07期

8 楊月英;馬萍;;基于灰色時間序列預測中國汽車銷量[J];湖州職業(yè)技術(shù)學院學報;2012年01期

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

10 楊鐘瑾;;核函數(shù)支持向量機的時間序列預測應用研究[J];消費導刊;2008年10期

相關(guān)會議論文 前10條

1 尤華;王建東;;機場噪聲的時間序列預測[A];2011年通信與信息技術(shù)新進展——第八屆中國通信學會學術(shù)年會論文集[C];2011年

2 陳宇;唐常杰;鐘義嘯;段磊;喬少杰;普東航;;基于基因表達式編程和時變強度的時間序列預測[A];第二十二屆中國數(shù)據(jù)庫學術(shù)會議論文集（技術(shù)報告篇）[C];2005年

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

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

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

6 王昭旭;郝曉辰;郭f萬

本文編號：2832294