用于混沌时间序列预测的组合核函数最小二乘支持向量机

田中大; 高宪文; 石彤

doi:10.7498/aps.63.160508

摘要

针对混沌时间序列的预测问题，考虑到单一核函数的最小二乘支持向量机无法明显提高预测精度，提出了一种组合核函数的最小二乘支持向量机预测模型，模型中采用多项式函数与径向基函数组合构建核函数. 同时，还对遗传算法进行了改进，使之具有更快的收敛速度和更高的精度，改进的遗传算法适用于解决预测模型中的参数优化问题. 通过典型的Lorenz时间序列、Mackey-Glass时间序列、太阳黑子数时间序列以及具有混沌特性的网络流量时间序列对该模型进行了验证. 仿真结果表明所提出的模型是有效的.

关键词:

Abstract

Considering the problem that least squares support vector machine prediction model with single kernel function cannot significantly improve the prediction accuracy of chaotic time series, a combination kernel function least squares support vector machine prediction model is proposed. The model uses a polynomial function and radial basis function to construct the kernel function of least squares support vector machine. An improved genetic algorithm with better convergence speed and precision is proposed for parameter optimization of prediction model. The simulation experimental results of Lorenz, Mackey-Glass, Sunspot-Runoff in the Yellow River and chaotic network traffic time series demonstrate the effectiveness and characteristics of the proposed model.

Keywords:

作者及机构信息

1.
沈阳工业大学信息科学与工程学院, 沈阳 110870;

2.
东北大学信息科学与工程学院, 沈阳 110819;

3.
辽宁林业职业技术学院人文社会科学系, 沈阳 110101

基金项目: 国家自然科学基金重点项目（批准号：61034005）资助的课题.

Authors and contacts

1.
College of Information Science and Engineering, Shenyang University of Technology, Shenyang 110870, China;

2.
College of Information Science and Engineering, Northeastern University, Shenyang 110819, China;

3.
Department of Humanities, Liaoning Forestry Vocotion-technical College, Shenyang 110101, China

Funds: Project supported by the Key Program of the National Natural Science Foundation of China (Grant No. 61034005).

参考文献

[1]	Wang S W, Feng J, Liu G 2013 Math. Comput. Model. 58 677
[2]	Hong W C 2009 Energy Convers. Manage. 50 105
[3]	Zhao X J, Shang P J, Wang J 2013 Phys. Rev. E 87 805
[4]	Chowdhury P, Dwivedi B N 2011 Sol. Phys. 270 365
[5]	Ding J, Han L L, Chen X M 2010 Math. Comput. Model. 51 527
[6]	Toque C, Terraza V 2011 Commun. Statist.-Theor. Methods 40 1533
[7]	Khashei M, Bijari M 2011 Appl. Soft Comput. 11 2664
[8]	Li P, Li Y, Xiong Q, Chai Y, Zhang Y 2014 Int. J. Elec. Power 55 749
[9]	Li D C, Han M 2011 Acta Phys. Sin. 60 108903 (in Chinese) [李德才, 韩敏 2011 60 108903]
[10]	Zhang J S, Xiao X C 2000 Chin. Phys. Lett. 17 88
[11]	Zhang J F, Hu S S 2007 Acta Phys. Sin. 56 713 (in Chinese) [张军峰, 胡寿松 2007 56 713]
[12]	Zhang J S, Xiao X C 2001 Chin. Phys. 10 390
[13]	Li G D, Masuda S, Nagai M 2013 Int. J. Adv. Manuf. Tech. 67 2343
[14]	Li P, Tan Z, Yan L, Deng K 2011 Min. Sci. Tech. 21 557
[15]	Wang G L, Yang P C, Mao Y Q 2008 Acta Phys. Sin. 57 714 (in Chinese) [王革丽, 杨培才, 毛宇清 2008 57 714]
[16]	Li H C, Zhang J S 2005 Chin. Phys. Lett. 22 2776
[17]	Vapnik V N 1999 IEEE Trans. Neural Netw. 10 1045
[18]	Tan W, Wang Y N, Zhou S W, Liu Z R 2003 Acta Phys. Sin. 52 2205 (in Chinese) [谭文, 王耀南, 周少武, 刘祖润 2003 52 2205]
[19]	Yang Y F, Ren X M, Qin W Y, Wu Y F, Zhi X Z 2008 Acta Phys. Sin. 57 6139 (in Chinese) [杨永锋, 任兴民, 秦卫阳, 吴亚锋, 支希哲 2008 57 6139]
[20]	Han M, Xu M L 2013 Acta Phys. Sin. 62 120510 (in Chinese) [韩敏, 许美玲 2013 62 120510]
[21]	Song T, Li H 2012 Acta Phys. Sin. 61 080506 (in Chinese) [宋彤, 李菡 2012 61 080506]
[22]	Bodyanskiy Y, Vynokurova O 2013 Inform. Sci. 220 170
[23]	Suykens J A K, Vandewalle J 1999 Neural Process Lett. 9 293
[24]	Pan J S, Hong M Z, Zhou Q F, Cai J Y, Wang H Z, Luo L K, Yang D Q, Dong J, Shi H X, Ren J L 2009 BMC Biotechnol. 9 52
[25]	Han X X, Xie G, Han X M, Xie K M 2012 Contr. Decis. 27 953 (in Chinese) [韩晓霞, 谢刚, 韩晓明, 谢克明 2012 控制与决策 27 953]
[26]	Smits G F, Jordaan E M 2002 Proceedings of the International Joint Conference on Neural Networks (Piscataway: IEEE) p2785
[27]	Wang S, Yang X J, Wei C J 2006 Proceedings of the World Congress on Intelligent Control and Automation (Piscataway: IEEE) p3014
[28]	Toledo C F M, Oliveira L, Franca P M 2014 J. Comput. Appl. Math. 261 341
[29]	Guo T, Lan J L, Li Y F, Jiang Y M 2013 J. Electron. Inform. Technol. 35 2220 (in Chinese) [郭通, 兰巨龙, 李玉峰, 江逸茗 2013 电子与信息学报 35 2220]
[30]	Meng Q F, Chen Y H, Feng Z Q, Wang F L, Chen S S 2013 Acta Phys. Sin. 62 150509 (in Chinese) [孟庆芳, 陈月辉, 冯志全, 王枫林, 陈珊珊 2013 62 150509]
[31]	Cui W Z, Zhu C C, Bao W X, Liu J H 2005 Acta Phys. Sin. 54 3009 (in Chinese) [崔万照, 朱长纯, 保文星, 刘君华 2005 54 3009]

施引文献

[1]	Wang S W, Feng J, Liu G 2013 Math. Comput. Model. 58 677
[2]	Hong W C 2009 Energy Convers. Manage. 50 105
[3]	Zhao X J, Shang P J, Wang J 2013 Phys. Rev. E 87 805
[4]	Chowdhury P, Dwivedi B N 2011 Sol. Phys. 270 365
[5]	Ding J, Han L L, Chen X M 2010 Math. Comput. Model. 51 527
[6]	Toque C, Terraza V 2011 Commun. Statist.-Theor. Methods 40 1533
[7]	Khashei M, Bijari M 2011 Appl. Soft Comput. 11 2664
[8]	Li P, Li Y, Xiong Q, Chai Y, Zhang Y 2014 Int. J. Elec. Power 55 749
[9]	Li D C, Han M 2011 Acta Phys. Sin. 60 108903 (in Chinese) [李德才, 韩敏 2011 60 108903]
[10]	Zhang J S, Xiao X C 2000 Chin. Phys. Lett. 17 88
[11]	Zhang J F, Hu S S 2007 Acta Phys. Sin. 56 713 (in Chinese) [张军峰, 胡寿松 2007 56 713]
[12]	Zhang J S, Xiao X C 2001 Chin. Phys. 10 390
[13]	Li G D, Masuda S, Nagai M 2013 Int. J. Adv. Manuf. Tech. 67 2343
[14]	Li P, Tan Z, Yan L, Deng K 2011 Min. Sci. Tech. 21 557
[15]	Wang G L, Yang P C, Mao Y Q 2008 Acta Phys. Sin. 57 714 (in Chinese) [王革丽, 杨培才, 毛宇清 2008 57 714]
[16]	Li H C, Zhang J S 2005 Chin. Phys. Lett. 22 2776
[17]	Vapnik V N 1999 IEEE Trans. Neural Netw. 10 1045
[18]	Tan W, Wang Y N, Zhou S W, Liu Z R 2003 Acta Phys. Sin. 52 2205 (in Chinese) [谭文, 王耀南, 周少武, 刘祖润 2003 52 2205]
[19]	Yang Y F, Ren X M, Qin W Y, Wu Y F, Zhi X Z 2008 Acta Phys. Sin. 57 6139 (in Chinese) [杨永锋, 任兴民, 秦卫阳, 吴亚锋, 支希哲 2008 57 6139]
[20]	Han M, Xu M L 2013 Acta Phys. Sin. 62 120510 (in Chinese) [韩敏, 许美玲 2013 62 120510]
[21]	Song T, Li H 2012 Acta Phys. Sin. 61 080506 (in Chinese) [宋彤, 李菡 2012 61 080506]
[22]	Bodyanskiy Y, Vynokurova O 2013 Inform. Sci. 220 170
[23]	Suykens J A K, Vandewalle J 1999 Neural Process Lett. 9 293
[24]	Pan J S, Hong M Z, Zhou Q F, Cai J Y, Wang H Z, Luo L K, Yang D Q, Dong J, Shi H X, Ren J L 2009 BMC Biotechnol. 9 52
[25]	Han X X, Xie G, Han X M, Xie K M 2012 Contr. Decis. 27 953 (in Chinese) [韩晓霞, 谢刚, 韩晓明, 谢克明 2012 控制与决策 27 953]
[26]	Smits G F, Jordaan E M 2002 Proceedings of the International Joint Conference on Neural Networks (Piscataway: IEEE) p2785
[27]	Wang S, Yang X J, Wei C J 2006 Proceedings of the World Congress on Intelligent Control and Automation (Piscataway: IEEE) p3014
[28]	Toledo C F M, Oliveira L, Franca P M 2014 J. Comput. Appl. Math. 261 341
[29]	Guo T, Lan J L, Li Y F, Jiang Y M 2013 J. Electron. Inform. Technol. 35 2220 (in Chinese) [郭通, 兰巨龙, 李玉峰, 江逸茗 2013 电子与信息学报 35 2220]
[30]	Meng Q F, Chen Y H, Feng Z Q, Wang F L, Chen S S 2013 Acta Phys. Sin. 62 150509 (in Chinese) [孟庆芳, 陈月辉, 冯志全, 王枫林, 陈珊珊 2013 62 150509]
[31]	Cui W Z, Zhu C C, Bao W X, Liu J H 2005 Acta Phys. Sin. 54 3009 (in Chinese) [崔万照, 朱长纯, 保文星, 刘君华 2005 54 3009]

[1]	梅英, 谭冠政, 刘振焘, 武鹤. 基于大脑情感学习模型和自适应遗传算法的混沌时间序列预测. , 2018, 67(8): 080502. doi: 10.7498/aps.67.20172104
[2]	王新迎, 韩敏. 多元混沌时间序列的多核极端学习机建模预测. , 2015, 64(7): 070504. doi: 10.7498/aps.64.070504
[3]	李瑞国, 张宏立, 范文慧, 王雅. 基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测. , 2015, 64(20): 200506. doi: 10.7498/aps.64.200506
[4]	唐舟进, 彭涛, 王文博. 一种基于相关分析的局域最小二乘支持向量机小尺度网络流量预测算法. , 2014, 63(13): 130504. doi: 10.7498/aps.63.130504
[5]	唐舟进, 任峰, 彭涛, 王文博. 基于迭代误差补偿的混沌时间序列最小二乘支持向量机预测算法. , 2014, 63(5): 050505. doi: 10.7498/aps.63.050505
[6]	赵永平, 张丽艳, 李德才, 王立峰, 蒋洪章. 过滤窗最小二乘支持向量机的混沌时间序列预测. , 2013, 62(12): 120511. doi: 10.7498/aps.62.120511
[7]	张文专, 龙文, 焦建军. 基于差分进化算法的混沌时间序列预测模型参数组合优化. , 2012, 61(22): 220506. doi: 10.7498/aps.61.220506
[8]	行鸿彦, 程艳燕, 徐伟. 基于广义窗函数和最小二乘支持向量机的混沌背景下微弱信号检测. , 2012, 61(10): 100506. doi: 10.7498/aps.61.100506
[9]	刘金海, 张化光, 冯健. 基于视神经网络的混沌时间序列奇异信号实时检测算法. , 2010, 59(7): 4472-4479. doi: 10.7498/aps.59.4472
[10]	陈强, 任雪梅. 基于多核最小二乘支持向量机的永磁同步电机混沌建模及其实时在线预测. , 2010, 59(4): 2310-2318. doi: 10.7498/aps.59.2310
[11]	行鸿彦, 金天力. 基于对偶约束最小二乘支持向量机的混沌海杂波背景中的微弱信号检测. , 2010, 59(1): 140-146. doi: 10.7498/aps.59.140
[12]	阎晓妹, 刘丁. 基于最小二乘支持向量机的分数阶混沌系统控制. , 2010, 59(5): 3043-3048. doi: 10.7498/aps.59.3043
[13]	张军峰, 胡寿松. 基于多重核学习支持向量回归的混沌时间序列预测. , 2008, 57(5): 2708-2713. doi: 10.7498/aps.57.2708
[14]	张军峰, 胡寿松. 基于一种新型聚类算法的RBF神经网络混沌时间序列预测. , 2007, 56(2): 713-719. doi: 10.7498/aps.56.713
[15]	蔡俊伟, 胡寿松, 陶洪峰. 基于选择性支持向量机集成的混沌时间序列预测. , 2007, 56(12): 6820-6827. doi: 10.7498/aps.56.6820
[16]	于振华, 蔡远利. 基于在线小波支持向量回归的混沌时间序列预测. , 2006, 55(4): 1659-1665. doi: 10.7498/aps.55.1659
[17]	崔万照, 朱长纯, 保文星, 刘君华. 基于模糊模型支持向量机的混沌时间序列预测. , 2005, 54(7): 3009-3018. doi: 10.7498/aps.54.3009
[18]	叶美盈, 汪晓东, 张浩然. 基于在线最小二乘支持向量机回归的混沌时间序列预测. , 2005, 54(6): 2568-2573. doi: 10.7498/aps.54.2568
[19]	刘涵, 刘丁, 任海鹏. 基于最小二乘支持向量机的混沌控制. , 2005, 54(9): 4019-4025. doi: 10.7498/aps.54.4019
[20]	崔万照, 朱长纯, 保文星, 刘君华. 混沌时间序列的支持向量机预测. , 2004, 53(10): 3303-3310. doi: 10.7498/aps.53.3303

计量

文章访问数: 7653
PDF下载量: 846
被引次数: 0

姓名
邮箱
手机号码
标题
留言内容
验证码

搜索

留言板