注冊 | 登錄讀書好,好讀書,讀好書!
讀書網(wǎng)-DuShu.com
當(dāng)前位置: 首頁出版圖書科學(xué)技術(shù)計(jì)算機(jī)/網(wǎng)絡(luò)人工智能混沌時間序列的小波神經(jīng)網(wǎng)絡(luò)預(yù)測方法及其優(yōu)化研究

混沌時間序列的小波神經(jīng)網(wǎng)絡(luò)預(yù)測方法及其優(yōu)化研究

混沌時間序列的小波神經(jīng)網(wǎng)絡(luò)預(yù)測方法及其優(yōu)化研究

定 價:¥35.00

作 者: 姜愛萍 著
出版社: 上海大學(xué)出版社
叢編項(xiàng):
標(biāo) 簽: 計(jì)算機(jī)/網(wǎng)絡(luò) 人工智能

ISBN: 9787567111929 出版時間: 2013-12-01 包裝: 平裝
開本: 32開 頁數(shù): 267 字?jǐn)?shù):  

內(nèi)容簡介

  預(yù)測是作決策、規(guī)劃之前的必不可少的重要環(huán)節(jié),是科學(xué)決策、規(guī)劃的重要前提?;煦鐣r間序列預(yù)測是預(yù)測領(lǐng)域內(nèi)的一個重要研究方向。基于小波和人工神經(jīng)網(wǎng)絡(luò)的混沌時間序列預(yù)測研究是近幾年來的研究熱點(diǎn),受到了特別的重視。小波神經(jīng)網(wǎng)絡(luò)是結(jié)合小波變換理論與人工神經(jīng)網(wǎng)絡(luò)的思想而構(gòu)造的一種新的神經(jīng)網(wǎng)絡(luò)模型,它結(jié)合了小波變換良好的時頻局域化性質(zhì)及神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能,因而具有較強(qiáng)的逼近能力和容錯能力。自從小波神經(jīng)網(wǎng)絡(luò)被提出以后,它在非線性函數(shù)或信號逼近、信號表示和分類、系統(tǒng)辨識和動態(tài)建模、非平穩(wěn)時間序列預(yù)測與分析等許多領(lǐng)域中被較為廣泛地應(yīng)用。盡管如此,將小波和人工神經(jīng)網(wǎng)絡(luò)理論應(yīng)用到預(yù)測還有許多不盡如人意和有待進(jìn)一步研究的地方,還有很大的研究余地。姜愛萍編著的《混沌時間序列的小波神經(jīng)網(wǎng)絡(luò)預(yù)測方法及其優(yōu)化研究》對此進(jìn)行了深入分析和研究,主要研究了小波神經(jīng)網(wǎng)絡(luò)的構(gòu)造、學(xué)習(xí)和優(yōu)化以及小波神經(jīng)網(wǎng)絡(luò)在混沌時間序列預(yù)測中的應(yīng)用,構(gòu)建了適應(yīng)于混沌時間序列短期預(yù)測的模型,并將其應(yīng)用于中國股票價格預(yù)測。《混沌時間序列的小波神經(jīng)網(wǎng)絡(luò)預(yù)測方法及其優(yōu)化研究》主要研究成果與創(chuàng)新點(diǎn)分述如下:(1)用混沌理論及其分析方法對非線性時間序列進(jìn)行了研究,為混沌時間序列的短期預(yù)測性提供了理論基礎(chǔ)。并以上證綜合指數(shù)為例,通過對其進(jìn)行相空間重構(gòu),反映了股指序列具有吸引子結(jié)構(gòu)。同時,對股指序列進(jìn)行了確定性檢驗(yàn),求取最大李雅普諾夫指數(shù)。根據(jù)最大李雅普諾夫指數(shù),確定了上證綜合指數(shù)序列具有混沌特性,這為探求股指變化規(guī)律和正確建立其短期預(yù)測模型奠定了基礎(chǔ)。(2)從小波神經(jīng)網(wǎng)絡(luò)構(gòu)造理論出發(fā),詳細(xì)介紹了小波神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)基礎(chǔ)和性質(zhì),對目前廣泛應(yīng)用的四種小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行了深入分析,根據(jù)網(wǎng)絡(luò)算法、逼近細(xì)節(jié)能力、包含頻域信息廣等方面因素,提出多分辨小波神經(jīng)網(wǎng)絡(luò)更適合混沌時間序列預(yù)測,因?yàn)槎喾直嫘〔ㄉ窠?jīng)網(wǎng)絡(luò)既能逼近混沌時間序列的整體變化趨勢,又能捕捉細(xì)節(jié)的變化。(3)利用相空間重構(gòu)技術(shù),把消噪后得到的狀態(tài)矢量作為多分辨小波神經(jīng)網(wǎng)絡(luò)的多維輸入,構(gòu)建了多維多分辨小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型,將其應(yīng)用于混沌時間序列預(yù)測,并給出了實(shí)現(xiàn)方法。針對多分辨小波神經(jīng)網(wǎng)絡(luò)提出了BP和多分辨率學(xué)習(xí)組合算法,解決了傳統(tǒng)學(xué)習(xí)算法網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)難以確定的問題,克服了BP網(wǎng)絡(luò)單尺度學(xué)習(xí)算法很難學(xué)習(xí)復(fù)雜的時間序列的不足。以上證綜合指數(shù)為例,分別采用具有相同結(jié)構(gòu)的MRA—WNN和RBF_VJNN預(yù)測模型對股價時序進(jìn)行預(yù)測,仿真結(jié)果表明,多分辨小波神經(jīng)網(wǎng)絡(luò)具有較高的預(yù)測精度。(4)給出了小波神經(jīng)網(wǎng)絡(luò)的優(yōu)化的兩類非單調(diào)的方法。一類是非單調(diào)的濾子方法,并且證明了該算法是全局收斂到一階臨界點(diǎn)。這個算法不同于傳統(tǒng)的濾子信賴域方法,因?yàn)樗褂昧嗽囂讲降那邢蚝头ㄏ虻姆纸猓灰膊煌贕ould提出的非單調(diào)方法,因?yàn)楸緯岢龅姆菃握{(diào)性更為松弛。這使得在不引入二階校正步的情況下改進(jìn)了濾子方法。同時也不再定義支配區(qū)域的邊界,而直接使用面積,這樣也相應(yīng)簡化了算法。另一類是非單調(diào)的無罰函數(shù)方法,該方法利用非單調(diào)線搜索和對于約束違反度函數(shù)的可行性恢復(fù)階段來達(dá)到目標(biāo)函數(shù)和約束違反度函數(shù)之間的平衡,而非單調(diào)的方法在M一1時是等價于單調(diào)方法的,非單調(diào)方法從M步看來仍然是單調(diào)的。當(dāng)然,在這種方法中,也可以采用試探步分解的技術(shù),然后利用濾子來做接受性的檢驗(yàn)。進(jìn)一步地,我們還可以將非單調(diào)的濾子方法推廣到一般的約束最小化問題之中,數(shù)值結(jié)果表明這種方法也是可執(zhí)行的且是有效的,并用此兩種方法作為訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)的優(yōu)化新算法。(5)提出將無罰函數(shù)方法與非線性互補(bǔ)問題相結(jié)合用于小波神經(jīng)網(wǎng)絡(luò)的優(yōu)化,將互補(bǔ)問題轉(zhuǎn)化為約束優(yōu)化問題,應(yīng)用約束優(yōu)化問題的策略和技巧對其求解,融入無罰函數(shù)的概念,并得到了算法的收斂性。同時,其數(shù)值結(jié)果也表明這類算法和同類的其他方法比起來更為靈活,且具有更好的數(shù)值效果。(6)提出基于修正的SQP濾子方法的小波神經(jīng)網(wǎng)絡(luò)的優(yōu)化,修正了序列二次規(guī)劃子問題,使得二次規(guī)劃子問題在每個迭代處總是可解的,同時不用線搜索,提出了修正的濾子方法。另外,引入積極集策略,減小運(yùn)算量。當(dāng)?shù)谝淮蔚玫降乃阉鞣较虿槐粸V子接受時,不是直接舍棄它,而是轉(zhuǎn)而以這個方向?yàn)榛A(chǔ),構(gòu)造另一個可行下降的搜索方向。并在此基礎(chǔ)上加入了線搜索,得到了帶線搜索的濾子方法,其數(shù)值結(jié)果也說明基于修正的SQP濾子方法的小波神經(jīng)網(wǎng)絡(luò)的優(yōu)化是有效的。(7)提出基于新的無罰函數(shù)方法的小波神經(jīng)網(wǎng)絡(luò)的優(yōu)化,應(yīng)用NCP函數(shù)把約束優(yōu)化問題轉(zhuǎn)化為非線性非光滑方程的求解問題。運(yùn)用分裂的思想將其分裂為光滑函數(shù)和非光滑函數(shù)之和,同時將NCP函數(shù)的信息融入了濾子對中,改造了原有的濾子對的形式,最終得到了算法的全局收斂性和局部超線性收斂性。另外,為了求解大規(guī)模問題,結(jié)合積極集策略,提出了積極集濾子方法,得到了非單調(diào)的濾子方法簡化小波神經(jīng)網(wǎng)絡(luò)優(yōu)化運(yùn)算的目的。(8)用全局優(yōu)化方法——填充函數(shù)法研究了小波神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法,構(gòu)造了一種新的易于計(jì)算的單參數(shù)的填充函數(shù),不僅證明了新構(gòu)造的函數(shù)具有填充函數(shù)的性質(zhì),還把填充函數(shù)和BP算法相結(jié)合,提出一種訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)的混合型全局優(yōu)化新算法。(9)在退火遺傳算法的基礎(chǔ)上提出一個新的自適應(yīng)退火策略,將自適應(yīng)退火策略用于選擇概率的計(jì)算以增強(qiáng)算法的收斂性,在交叉和變異概率的選取上也進(jìn)行了自適應(yīng)處理,以進(jìn)一步改善算法的穩(wěn)定性和收斂性,并將此自適應(yīng)退火遺傳算法應(yīng)用于小波神經(jīng)網(wǎng)絡(luò)權(quán)值的優(yōu)化。

作者簡介

暫缺《混沌時間序列的小波神經(jīng)網(wǎng)絡(luò)預(yù)測方法及其優(yōu)化研究》作者簡介

圖書目錄

第一章  緒論
1.1  課題的目的和意義
1.2  混沌時間序列預(yù)測的背景和研究方法概述
1.2.1  混沌時間序列預(yù)測背景
1.2.2  混沌時間序列預(yù)測方法
1.3  小波理論及其研究進(jìn)展
1.3.1  小波的基本概念
1.3.2  Mallat分解與重構(gòu)算法
1.3.3  小波包分析及其分解與重構(gòu)算法
1.3.4  提升小波變換
1.4  神經(jīng)網(wǎng)絡(luò)
1.4.1  神經(jīng)網(wǎng)絡(luò)簡述
1.4.1.1  發(fā)展歷史
1.4.1.2  基本構(gòu)成——神經(jīng)元
1.4.1.3  網(wǎng)絡(luò)結(jié)構(gòu)
1.4.1.4  學(xué)習(xí)方式
1.4.1.5  學(xué)習(xí)算法
1.5  小波神經(jīng)網(wǎng)絡(luò)簡述
1.6  小波神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法
1.6.1  預(yù)備知識
1.6.2  序列二次規(guī)劃(SQP)方法
1.6.3  非線性互補(bǔ)問題
1.7  本書的主要工作
1.8  本章小結(jié)
第二章  混沌分析原理及方法
2.1  引言
2.2  混沌的數(shù)學(xué)理論基礎(chǔ)
2.3  混沌分析原理及方法
2.3.1  混沌的基本概念
2.3.2  吸引子及其特征描述
2.3.2.1  重構(gòu)吸引子
2.3.2.2  李雅普諾夫指數(shù)
2.4  混沌現(xiàn)象的判別
2.5  實(shí)證分析
2.6  本章小結(jié)
第三章  小波神經(jīng)網(wǎng)絡(luò)
3.1  小波神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)基礎(chǔ)
3.2  小波神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)
3.3  多分辨小波神經(jīng)網(wǎng)絡(luò)
3.3.1  小波神經(jīng)網(wǎng)絡(luò)算法分析
3.3.2  多分辨小波神經(jīng)網(wǎng)絡(luò)的構(gòu)造過程
3.4  本章小結(jié)
第四章  多分辨小波神經(jīng)網(wǎng)絡(luò)在混沌時間序列預(yù)測中的應(yīng)用
4.1  小波去噪
4.2  相空間重構(gòu)
4.2.1  選擇延遲時間τ
4.2.2  嵌入維數(shù)的選擇
4.2.3  股價指數(shù)序列相空間重構(gòu)
4.3  MRA-WNN預(yù)測模型
4.4  網(wǎng)絡(luò)訓(xùn)練算法
4.4.1  多分辨率的學(xué)習(xí)算法
4.4.2  BP和多分辨率學(xué)習(xí)組合算法
4.4.3  小波函數(shù)的選擇
4.5  實(shí)證分析
4.6  本章小結(jié)
第五章  基于非單調(diào)的無罰函數(shù)方法的小波神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法研究
5.1  算法引言
5.1.1  分段柯西下降條件
5.1.2  SQP搜索方向的合成
5.1.3  非單調(diào)濾子概念
5.2  非單調(diào)濾子算法
5.2.1  算法
5.2.2  算法的收斂性
5.2.3  數(shù)值試驗(yàn)
5.2.4  非單調(diào)濾子算法的小波神經(jīng)網(wǎng)絡(luò)優(yōu)化仿真驗(yàn)證
5.3  修正的非單調(diào)無罰函數(shù)方法
5.3.1  算法
5.3.2  算法的收斂性
5.3.2  數(shù)值試驗(yàn)
5.3.3  修正的非單調(diào)無罰函數(shù)算法的小波神經(jīng)網(wǎng)絡(luò)優(yōu)化仿真驗(yàn)證
5.4  本章小結(jié)
第六章  無罰函數(shù)方法與非線性互補(bǔ)問題相結(jié)合的小波神經(jīng)網(wǎng)絡(luò)優(yōu)化方法研究
6.1  引言
6.2  算法
6.3  算法的收斂性
6.4  數(shù)值試驗(yàn)
6.5  算法的仿真驗(yàn)證
6.6  本章小結(jié)
第七章  基于無罰函數(shù)SQP方法的小波神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法研究
7.1  算法引言
7.2  修正的SQP濾子方法
7.3  算法的全局收斂性
7.4  算法的局部超線性收斂性
7.5  數(shù)值試驗(yàn)
7.6  算法的仿真驗(yàn)證
7.7  本章小結(jié)
第八章  基于新的無罰函數(shù)法的小波神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法研究
8.1  算法引言
8.2  帶NCP函數(shù)的無罰函數(shù)信賴域方法
8.2.1  算法
8.2.2  算法的局部收斂性
8.2.3  算法的局部超線性收斂性
8.2.4  數(shù)值實(shí)驗(yàn)
8.3  積極集無罰函數(shù)方法
8.3.1  算法
8.3.2  算法的可執(zhí)行性
8.3.3  算法的全局收斂性
8.3.4  數(shù)值實(shí)驗(yàn)
8.4  算法的仿真驗(yàn)證
8.5  本章小結(jié)
第九章  基于填充函數(shù)法的小波神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法研究
9.1  新的填充函數(shù)的構(gòu)造
9.2  算法的數(shù)值檢驗(yàn)
9.3  基于填充函數(shù)的小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法
9.4  算法的仿真驗(yàn)證
9.5  本章小結(jié)
第十章  基于自適應(yīng)退火遺傳算法的小波神經(jīng)網(wǎng)絡(luò)優(yōu)化方法研究
10.1  自適應(yīng)退火遺傳算法描述
10.2  自適應(yīng)退火遺傳算法的收斂性證明
10.3  算法的數(shù)值檢驗(yàn)
10.4  算法的仿真驗(yàn)證
10.5  本章小結(jié)
第十一章  結(jié)論與展望
11.1  結(jié)論
11.2  進(jìn)一步工作的方向
參考文獻(xiàn)

本目錄推薦

掃描二維碼
Copyright ? 讀書網(wǎng) m.ranfinancial.com 2005-2020, All Rights Reserved.
鄂ICP備15019699號 鄂公網(wǎng)安備 42010302001612號