改进型前向神经网络的时间序列预测及其性能比较

摘要

时间序列预测是动态数据分析处理的一个重要方面,在科学、经济、工程等许多应用中都存在着在历史数据的基础上预测未来的问题.在该文中将作者改进的圆形反向传播网络模型(ImprovedCircularBackpropagation——ICBP)应用于时间序列预测,进行了单步和多步时间序列预测研究.ICBP是我们对圆形反向传播网络(CircularBackPropagation——CBP)的推广,CBP不仅具有良好的推广和自适应能力,而且在其框架下分别构建出矢量量化(VQ)和RBF网络,展示出了极大的灵活性.我们在保持CBP原有结构下,通过对CBP的输入层扩充节点(1个)的特殊构造,以及对该节点与隐层间权值的特殊赋值,获得了较CBP更一般的改进网络模型(ICBP).经实验证实,ICBP在预测和逼近能力上优于CBP.该文借用该原理实现了DLS-ICBP在时间序列预测上的显著改进.此外,为实现与RBF的比较,构建了基于误差平方准则的DLS-RBF网络作为该文的副产品.

目录

文摘

英文文摘

第一章绪论

第二章时间序列预测

2.1时间序列的基本概念

2.2时间序列模型

2.2.1确定型时间序列模型

2.2.2随机型时间序列模型

2.3基于神经网络的时间序列预测方法

2.3.1神经网络预测时间序列

2.3.2几个具体预测时间序列的网络

第三章ICBP网络模型

3.1 ICBP网络模型及其学习算法

3.2 ICBP与RBF、BAYES判决器及VQ(矢量量化网络)的等价性

3.2.1 ICBP与RBF的等价性

3.2.2 ICBP与Bayes判决器的等价性

3.2.3 ICBP与矢量量化网络(VQ)的等价性

第四章DLS-ICBP网络

4.1打折最小平方ICBP网络(DLS-ICBP)

4.2模拟实验

4.2.1非平稳方差时间序列预测实验

4.2.2混沌时间序列预测实验

4.2.3某城市自来水月用水量时间序列的预测实验

第五章DLS-RBF网络

5.1 RBF网络及其学习算法

5.1.1 RBF网络的结构

5.1.2 RBF网络的学习算法

5.2打折最小平方RBF(DLS-RBF)网络及其学习算法

5.3模拟实验

5.3.1混沌时间序列预测实验

5.3.2非平稳方差时间序列预测实验

5.3.3某城市自来水月用水量时间序列的预测实验

第六章链状DLS-ICBP网络

6.1链结构神经网络

6.1.1传统的链结构神经网络

6.1.2新型的链结构神经网络

6.2模拟实验

6.2.1多步非平稳方差时间序列预测实验

6.2.2在多步城市用水量预测中的应用

第七章LOG-ICBP

7.1影响函数

7.1.1最小均方定义

7.1.2最小平均对数平方定义

7.1.3 LMS和LMLS的比较

7.2 LOG-ICBP

7.3实验

7.3.1实验方法

7.3.2实验结果

第八章结论与展望

8.1结论

8.2展望

致谢

在学期间投发的论文

在学期间参与的科研项目

主要参考文献