高级搜索

最小二乘支持向量域的混沌时间序列预测

,  , 

downloadPDF

上一篇

下一篇

任韧, 徐进, 朱世华. 2006: 最小二乘支持向量域的混沌时间序列预测, 物理学报, 55(2): 555-563. doi: 10.3321/j.issn:1000-3290.2006.02.016
引用本文: 任韧, 徐进, 朱世华. 2006: 最小二乘支持向量域的混沌时间序列预测, 物理学报, 55(2): 555-563. doi: 10.3321/j.issn:1000-3290.2006.02.016
shu
Ren Ren, Xu Jin, Zhu Shi-Hua. 2006: Prediction of chaotic time sequence using least squares support vector domain, Acta Physica Sinica, 55(2): 555-563. doi: 10.3321/j.issn:1000-3290.2006.02.016
Citation: Ren Ren, Xu Jin, Zhu Shi-Hua. 2006: Prediction of chaotic time sequence using least squares support vector domain, Acta Physica Sinica, 55(2): 555-563. doi: 10.3321/j.issn:1000-3290.2006.02.016
shu

最小二乘支持向量域的混沌时间序列预测

  • 西安交通大学电子与信息工程学院,710049,西安;西安交通大学理学院,710049,西安

  • 西安交通大学生医所,710049,西安

  • 西安交通大学电子与信息工程学院,710049,西安

Prediction of chaotic time sequence using least squares support vector domain

  • 摘要: 从支持向量域SVD(Support Vector Domain)出发,根据Takens延时相空间重构思想,利用支持向量机非线性映射,建立了混沌时间序列和混沌非线性相轨迹运动的SVD预测模型.采用数据集作为支持对象元素,机器自学习缩小模型泛化误差的上界,利用最小二乘支持向量域(SVD),预测了Henon/Lorenz/Rossler三种混沌时间序列.预测结果表明,三种预测模型将集合映射到一个更高维特征空间,通过嵌入维数,实现了序列预测,误差随嵌入维数变化趋于恒定,与支持向量机(SVM)相比,SVD所需支持向量少,收敛速度快,鲁棒性强,核函数选择容易灵活,且存在自适应方法.网格点数提高了10-20倍,序列预测在小样本、非线性、未知概率密度条件下,预测和实际值取得了一致.
  • 加载中
  • 加载中
计量
  • 文章访问数:  525
  • HTML全文浏览数:  100
  • PDF下载数:  80
  • 施引文献:  0
出版历程
  • 刊出日期:  2006-02-28

最小二乘支持向量域的混沌时间序列预测

  • 西安交通大学电子与信息工程学院,710049,西安;西安交通大学理学院,710049,西安
  • 西安交通大学生医所,710049,西安
  • 西安交通大学电子与信息工程学院,710049,西安

摘要: 从支持向量域SVD(Support Vector Domain)出发,根据Takens延时相空间重构思想,利用支持向量机非线性映射,建立了混沌时间序列和混沌非线性相轨迹运动的SVD预测模型.采用数据集作为支持对象元素,机器自学习缩小模型泛化误差的上界,利用最小二乘支持向量域(SVD),预测了Henon/Lorenz/Rossler三种混沌时间序列.预测结果表明,三种预测模型将集合映射到一个更高维特征空间,通过嵌入维数,实现了序列预测,误差随嵌入维数变化趋于恒定,与支持向量机(SVM)相比,SVD所需支持向量少,收敛速度快,鲁棒性强,核函数选择容易灵活,且存在自适应方法.网格点数提高了10-20倍,序列预测在小样本、非线性、未知概率密度条件下,预测和实际值取得了一致.

English Abstract

    全文HTML

参考文献 (0)

目录

/

返回文章
返回