RBF-BL时间序列模型及其在建模和预测中的应用

摘要

基于传统的线性和非线性模型,提出了一种改进的非线性模型,即RBF神经网络的状态依赖双线性(RBF-BL)模型.以模型残差平方和最小为优化目标,介绍了模型参数辨识算法.以太阳黑子数据、Mackey-Glass序列数据和机床工作台爬行位移数据为数值算例,基于GNAR模型、BP模型、RBF模型和RBF-BL模型分别进行了数据建模和预测,以建模均方误差(MSEM)、预测均方误差(MSEP)、建模平均相对误差(MREM)和预测平均相对误差(MREP)作为误差衡量指标.结果表明,与传统的模型相比,RBF-BL模型表现出较好的建模和预测性能.对于太阳黑子数据,RBF-BL模型的误差衡量指标分别为0.009 6、0.026 6、0.002 7和0.003 9.对于Mackey-Glass序列数据,RBF-BL模型的误差衡量指标分别为7.982×10^-6、6.400×10^-4、0.002 5和0.025 0.对于机床工作台爬行位移数据,RBF-BL模型的误差衡量指标分别为7.590×10^-4、0.010 1、0.038 8和0.023 8.