2.793

2018影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

多元混沌时间序列的因子回声状态网络预测模型

许美玲 韩敏

许美玲, 韩敏. 多元混沌时间序列的因子回声状态网络预测模型. 自动化学报, 2015, 41(5): 1042-1046. doi: 10.16383/j.aas.2015.c140604
引用本文: 许美玲, 韩敏. 多元混沌时间序列的因子回声状态网络预测模型. 自动化学报, 2015, 41(5): 1042-1046. doi: 10.16383/j.aas.2015.c140604
XU Mei-Ling, HAN Min. Factor Echo State Network for Multivariate Chaotic Time Series Prediction. ACTA AUTOMATICA SINICA, 2015, 41(5): 1042-1046. doi: 10.16383/j.aas.2015.c140604
Citation: XU Mei-Ling, HAN Min. Factor Echo State Network for Multivariate Chaotic Time Series Prediction. ACTA AUTOMATICA SINICA, 2015, 41(5): 1042-1046. doi: 10.16383/j.aas.2015.c140604

多元混沌时间序列的因子回声状态网络预测模型


DOI: 10.16383/j.aas.2015.c140604
详细信息
    作者简介:

    许美玲 大连理工大学电子信息与电气工程学部博士研究生. 主要研究方向为神经网络和多元时间序列预测.E-mail: xuml@mail.dlut.edu.cn

    通讯作者: 韩敏 大连理工大学电子信息与电气工程学部教授. 主要研究方向为神经网络, 模式识别和混沌时间序列预测. E-mail: minhan@dlut.edu.cn
  • 基金项目:

    国家自然科学基金(61374154), 国家重点基础 研究发展计划(973计划) (2013CB430403)资助

Factor Echo State Network for Multivariate Chaotic Time Series Prediction

More Information
  • Fund Project:

    Supported by National Natural Science Foundation of China (61374154), and National Basic Research Program of China (973 Program) (2013CB430403)

  • 摘要: 针对采用回声状态网络预测多元混沌时间序列时存在的病态解问题, 本文建立了因子回声状态网络模型, 通过因子分析(Factor analysis, FA)方法提取高维储备池状态矩阵的公因子, 去除冗余和噪声成分. 利用降维后的因子变量与期望输出之间的线性回归关系, 求解网络未知参数. 基于Lorenz序列和大连月平均气温--降雨量的仿真实验验证了本文所提模型的有效性.
  • [1] Rong T Z, Xiao Z. Nonparametric interval prediction of chaotic time series and its application to climatic system. International Journal of Systems Science, 2013, 44(9): 1726-1732
    [2] Han Min, Xu Mei-Ling, Ren Wei-Jie. Research on multivariate chaotic time series prediction using mRSM model. Acta Automatica Sinica, 2014, 40(5): 822-829(韩敏, 许美玲, 任伟杰. 多元混沌时间序列的相关状态机预测模型研究. 自动化学报, 2014, 40(5): 822-829)
    [3] [3] Inoussa G, Peng H, Wu J. Nonlinear time series modeling and prediction using functional weights wavelet neural network-based state-dependent AR model. Neurocomputing, 2012, 86(1): 59-74
    [4] [4] Li P H, Li Y G, Xiong Q Y, Chai Y, Zhang Y. Application of a hybrid quantized Elman neural network in short-term load forecasting. International Journal of Electrical Power Energy Systems, 2014, 55: 749-759
    [5] [5] Yeh W C. New parameter-free simplified swarm optimization for artificial neural network training and its application in the prediction of time series. IEEE Transactions on Neural Networks and Learning Systems, 2013, 24(4): 661-665
    [6] Xuan Zhao-Yan, Yang Gong-Xun. Application of EMD in the atmoshere time series prediction. Acta Automatica Sinica, 2008, 34(1): 97-101(玄兆燕, 杨公训. 经验模态分解法在大气时间序列预测中的应用. 自动化学报, 2008, 34(1): 97-101)
    [7] [7] Zeng Z G, Wang J. Improved conditions for global exponential stability of recurrent neural networks with time-varying delays. IEEE Transactions on Neural Networks, 2006, 17(3): 623-635
    [8] [8] Zhang H G, Liu J H, Ma D Z, Wang Z S. Data-core-based fuzzy min-max neural network for pattern classification. IEEE Transactions on Neural Networks, 2011, 22(12): 2339-2352
    [9] [9] Zhang H G, Liu D R, Luo Y H, Wang D. Adaptive Dynamic Programming for Control: Algorithms and Stability. London: Springer, 2013. 1-19
    [10] Jaeger H. The Echo State Approach to Analysing and Training Recurrent Neural Networks with An Erratum Note, GMD Report 148, German National Research Center for Information Technology, Germany, 2001.
    [11] Jaeger H, Haas H. Harnessing nonlinearity: predicting chaotic systems and saving energy in wireless communication. Science, 2004, 304(5667): 78-80
    [12] Massar M, Massar S. Mean-field theory of echo state networks. Physical Review E, 2013, 87(4): 042809
    [13] Lukosevičius M, Jaeger H, Schrauwen B. Reservoir computing trends. Kl-Knstliche Intelligenz, 2012, 26(4): 365-371
    [14] Qiao Jun-Fei, Bo Ying-Chun, Han Guang. Application of ESN-based multi indices dual heuristic dynamic programming on wastewater treatment process. Acta Automatica Sinica, 2013, 39(7): 1146-1151(乔俊飞, 薄迎春, 韩广. 基于 ESN 的多指标 DHP 控制策略在污水处理过程中的应用. 自动化学报, 2013, 39(7): 1146-1151)
    [15] Shi Z W, Han M. Support vector echo-state machine for chaotic time-series prediction. IEEE Transactions on Neural Networks, 2007, 18(2): 359-372
    [16] Chatzis S P, Demiris Y. Echo state Gaussian process. IEEE Transactions on Neural Networks, 2011, 22(9): 1435-1445
    [17] Han Min, Wang Ya-Nan. Prediction of multivariate time series based on reservoir principal component analysis. Control and Decision, 2009, 24(10): 1526-1530(韩敏, 王亚楠. 基于储备池主成分分析的多元时间序列预测研究. 控制与决策, 2009, 24(10): 1526-1530)
    [18] Ghahramani Z, Hinton G E. The EM Algorithm for Mixtures of Factor Analyzers, Technical Report CRG-TR-96-1, University of Toronto, Canada, 1996.
    [19] He Liang, Shi Yong-Zhe, Liu Jia. Eigenchannel space combination method of joint factor analysis. Acta Automatica Sinica, 2011, 37(7): 849-856(何亮, 史永哲, 刘加. 联合因子分析中的本征信道空间拼接方法. 自动化学报, 2011, 37(7): 849-856)
    [20] Meng Qing-Fang, Peng Yu-Hua, Qu Huai-Jing, Han Min. The neighbor point selection method for local prediction based on information criterion. Acta Physica Sinica, 2008, 57(3): 1423-1430(孟庆芳, 彭玉华, 曲怀敬, 韩民. 基于信息准则的局域预测法邻近点的选取方法. 物理学报, 2008, 57(3): 1423-1430)
    [21] Yang Xu-Kui, Qu Dan, Zhang Wen-Lin. An orthogonal Laplacian language recognition approach. Acta Automatica Sinica, 2014, 40(8): 1812-1818(杨绪魁, 屈丹, 张文林. 正交拉普拉斯语种识别方法. 自动化学报, 2014, 40(8): 1812-1818)
    [22] Varadhan R, Roland C. Simple and globally convergent methods for accelerating the convergence of any EM algorithm. Scandinavian Journal of Statistics, 2008, 35(2): 335-353
    [23] Mirmomeni M, Lucas C, Araabi B N, Moshiri B, Bidar M R. Recursive spectral analysis of natural time series based on eigenvector matrix perturbation for online applications. IET Signal Processing, 2011, 5(6): 515-526
    [24] van der Maaten L J P, Postm E O, van den Herik H J. Dimensionality Reduction: a Comparative Review. Technical Report TiCC-TR 2009-005, Tilburg University, Tilburg, The Netherlands, 2009.
  • [1] 许美玲, 王依雯. 基于改进差分进化和回声状态网络的时间序列预测研究[J]. 自动化学报, 2019, 45(): 1-9. doi: 10.16383/j.aas.c180549
    [2] 丁进良, 杨翠娥, 陈立鹏, 柴天佑. 基于参考点预测的动态多目标优化算法[J]. 自动化学报, 2017, 43(2): 313-320. doi: 10.16383/j.aas.2017.c150811
    [3] 杨绪魁, 屈丹, 张文林. 正交拉普拉斯语种识别方法[J]. 自动化学报, 2014, 40(8): 1812-1818. doi: 10.3724/SP.J.1004.2014.01812
    [4] 许云飞, 杨海, 周若华, 颜永红. 高斯PLDA在说话人确认中的应用及其联合估计[J]. 自动化学报, 2014, 40(6): 1068-1074. doi: 10.3724/SP.J.1004.2014.01068
    [5] 韩敏, 许美玲, 任伟杰. 多元混沌时间序列的相关状态机预测模型研究[J]. 自动化学报, 2014, 40(5): 822-829. doi: 10.3724/SP.J.1004.2014.00822
    [6] 韩敏, 任伟杰, 许美玲. 一种基于L1范数正则化的回声状态网络[J]. 自动化学报, 2014, 40(11): 2428-2435. doi: 10.3724/SP.J.1004.2014.02428
    [7] 乔俊飞, 薄迎春, 韩广. 基于ESN的多指标DHP控制策略在污水处理过程中的应用[J]. 自动化学报, 2013, 39(7): 1146-1151. doi: 10.3724/SP.J.1004.2013.01146
    [8] 邓鑫洋, 邓勇, 章雅娟, 刘琪. 一种信度马尔科夫模型及应用[J]. 自动化学报, 2012, 38(4): 666-672. doi: 10.3724/SP.J.1004.2012.00666
    [9] 韩敏, 王新迎. 一种有效的储备池在线稀疏学习算法[J]. 自动化学报, 2011, 37(12): 1536-1540. doi: 10.3724/SP.J.1004.2011.01536
    [10] 何亮, 史永哲, 刘加. 联合因子分析中的本征信道空间拼接方法[J]. 自动化学报, 2011, 37(7): 849-856. doi: 10.3724/SP.J.1004.2011.00849
    [11] 韩敏, 王亚楠. 基于Kalman滤波的储备池多元时间序列在线预报器[J]. 自动化学报, 2010, 36(1): 169-173. doi: 10.3724/SP.J.1004.2010.00169
    [12] 吴奇, 严洪森, 王斌. 基于鲁棒小波ν-支持向量机的产品销售预测模型[J]. 自动化学报, 2009, 35(7): 1227-1232. doi: 10.3724/SP.J.1004.2009.01027
    [13] 刘颖, 赵珺, 王伟, 吴毅平, 陈伟昌. 基于数据的改进回声状态网络在高炉煤气发生量预测中的应用[J]. 自动化学报, 2009, 35(6): 731-738. doi: 10.3724/SP.J.1004.2009.00731
    [14] 玄兆燕, 杨公训. 经验模态分解法在大气时间序列预测中的应用[J]. 自动化学报, 2008, 34(1): 97-101. doi: 10.3724/SP.J.1004.2008.00097
    [15] 王永利, 周景华, 徐宏炳, 董逸生, 刘学军. 时间序列数据流的自适应预测[J]. 自动化学报, 2007, 33(2): 197-201. doi: 10.1360/aas-007-0197
    [16] 陈雪如, 杨成梧. 随机2-D FMⅡ模型的状态估计[J]. 自动化学报, 2001, 27(1): 131-135.
    [17] 王志忠. 基于最优组合的一类非线性建模方法及其在预测中的应用[J]. 自动化学报, 1998, 24(6): 843-844.
    [18] 于印章, 汪凤泉, 曹祖庆. 监测及预报系统变化的自回归模型参数分析法[J]. 自动化学报, 1996, 22(5): 638-640.
    [19] 王秀峰, 刘丹. 非线性系统辨识--GMDH的一种新算法及其应用[J]. 自动化学报, 1990, 16(4): 310-316.
    [20] 陈铁军, 邱祖廉. 一类大时间滞后系统的预估[J]. 自动化学报, 1989, 15(6): 487-492.
  • 加载中
计量
  • 文章访问数:  1103
  • HTML全文浏览量:  15
  • PDF下载量:  1078
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-08-19
  • 修回日期:  2014-12-04
  • 刊出日期:  2015-05-20

多元混沌时间序列的因子回声状态网络预测模型

doi: 10.16383/j.aas.2015.c140604
    作者简介:

    许美玲 大连理工大学电子信息与电气工程学部博士研究生. 主要研究方向为神经网络和多元时间序列预测.E-mail: xuml@mail.dlut.edu.cn

    通讯作者: 韩敏 大连理工大学电子信息与电气工程学部教授. 主要研究方向为神经网络, 模式识别和混沌时间序列预测. E-mail: minhan@dlut.edu.cn
基金项目:

国家自然科学基金(61374154), 国家重点基础 研究发展计划(973计划) (2013CB430403)资助

摘要: 针对采用回声状态网络预测多元混沌时间序列时存在的病态解问题, 本文建立了因子回声状态网络模型, 通过因子分析(Factor analysis, FA)方法提取高维储备池状态矩阵的公因子, 去除冗余和噪声成分. 利用降维后的因子变量与期望输出之间的线性回归关系, 求解网络未知参数. 基于Lorenz序列和大连月平均气温--降雨量的仿真实验验证了本文所提模型的有效性.

English Abstract

参考文献 (24)

目录

    /

    返回文章
    返回