基于变分模态分解神经网络模型时间序列预测

目录

1 绪论

1.1 研究背景及意义

1.2 时间序列国内外研究现状

1.2.1 统计学方法

1.2.2 神经网络建模预测方法

1.2.3 基于信号分解的组合模型预测方法

1.3 论文的研究内容及结构

2 基于变分模态分解的DBN-ESN组合模型

2.1 基本算法介绍

2.1.1 变分模态分解

2.1.2 深层信念网络模型

2.2 基于变分模态分解的DBN-ESN网络模型

2.3 基于变分模态分解的DBN-ESN仿真实验

2.3.1 预测指标

2.3.2 标杆数据仿真实验

2.3.3 伦敦二氧化氮数据预测

2.4 小结

3 基于变分模态分解和改进的递归神经网络的组合预测模型

3.1 基本算法介绍

3.1.1 排列熵

3.1.2 确定性循环跳跃网络模型

3.2 基于VMD-CRRJ组合预测模型

3.2.1 基于VMD组合预测模型简介

3.2.2 基于VMD-CRRJ组合预测模型

3.3 仿真实验分析

3.3.1 多尺度复杂度不变距离

3.3.2 改进的CRRJ模型仿真试验

3.3.3 标杆数据仿真实验

3.3.4 北京气象数据仿真实验

3.4 小结

4 基于变分模态分解的双隐层递归神经网络模型

4.1 基本VMD-SRNN算法简介

4.1.1 VMD-SRNN模型简介

4.1.2 网络模型的训练

4.2 仿真实验分析

4.2.1 标杆数据多步预测仿真实验

4.2.2 伦敦二氧化氮多步预测仿真实验

4.3 小结

结论

参考文献

攻读硕士学位期间参与项目情况

攻读硕士学位期间发表学术论文情况

致谢