最小二乘支持向量域的混沌时间序列预测

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.