基于随机映射神经网络的非线性时间序列建模预测研究

《基于随机映射神经网络的非线性时间序列建模预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号学号D201477195学校代代码10487密级博士学士学位位论论文文基于随机映射神经网络的非线性时间序列建模预测研究学位申请人：沈力华学科专业：机械电子工程指导教师：陈吉红教授杜宝瑞研究员答辩日期：2018年11月19日ADissertationSubmittedinPartialFulfillmentoftheRequirementsfortheDegreeofDoctorofPhilosophyinEngineeringResearchonNolinearTimeSeriesModelin

2、gandPredictionBasedonRandomProjectNeuralNetworksPh.D.Candidate:ShenLihuaMajor:MechatronicEngineeringSupervisor:Prof.ChenJihongCo-Supervisor:Prof.DuBaoruiHuazhongUniversityofScienceandTechnologyWuhan,Hubei430074,P.R.ChinaNov,2018独创性声明１木人声明所Ｍ交的学位论文坫我个人在

3、导师指导下进行的研究：：作及取得．．的研究成果：尽我所知／除文中已经标明引卬的内容外木论文不包含任何其他，个人或集体Ｌ经发表或撰写过的研究成果。对本文的研究做出Ｗ献的个人和集体均已在文屮以明确方式标明。本人完全意识到本声明的法律结果由木人承枳。１学位论文作者签名：ｙｆ曰期：义〇年月ｎ汾ｉｑ｜ｉ＇学位论文版权使用授权书，本学位论文作者完全了解学校有关保留即：、使用学位论文的规定学校有权保留并句国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。

4、本人授权华屮科技大学可以将本学位论文的全部或部分内容编入乜关数据库进行检、索，可以采用影印缩印或扫描等复制手段保存和汇编本学位论文。保密□，在年解密后适用本授权丨５。秘文属于棚密畋“”（请在以上方框内打ｖ）ｊ１学位论文作者签名：他６Ｉ指导教师签名１，ｐ日期〇＾丨年丨月２Ｈ曰期ｉｒ幺丨３句奸ｆ华中科技大学博士学位论文摘要非线性时间序列建模预测是复杂系统数据驱动控制的一个重要研究方向，已被广泛应用于工业系统故障分析与预测、工业过程控制、金融市场数据预测、河流流

5、量和降雨量预测、温度预测以及剩余使用寿命预测等多个领域。通过对复杂系统进行分析，建立相应的时间序列预测模型，能够使人们更深入的理解系统内部特性，并能够更好的实现系统控制与决策。随机映射神经网络作为神经网络的一种，具有更快的收敛速度，能够得到全局最优解，学习简便等优点，已在非线性时间序列预测中得到了较好的预测性能并取得了丰硕的成果。因此，本文针对非线性时间序列建模预测问题展开研究，对两种随机映射神经网络进行改进，优化网络结构，提高预测模型鲁棒性，建立优化组合模型。最后，将改进的随机映射神经网络应用于数控

6、机床进给系统时间序列预测中。论文的创新性研究主要包括以下四方面：提出修正的正则化极端学习机预测模型框架。针对极端学习机预测时间序列时隐层节点数不易选择，时间序列经极端学习机进行高维空间映射后容易产生冗余信息和过拟合的问题，本文对极端学习机结构展开研究，通过对基于L范数、L和L混112合范数的正则化方法进行修正和优化，求取极端学习机输出权值的稀疏解，在提高模型预测精度的同时优化网络结构，从而得到一种修正的正则化极端学习机预测模型框架，基于该框架提出四种修正的正则化极端学习机预测模型，所提模型在继承L1范

7、数变量选择能力的基础之上，有效避免了基于L范数正则化方法有偏估计导致模型1预测精度低的问题，在得到模型稀疏解优化网络结构的基础之上提高了模型预测精度。提出鲁棒变分回声状态网络预测方法。针对现实复杂系统中，数据往往受多种噪声和异常点的影响，分析不同的概率分布对异常点的敏感性，最终选取高斯混合分布作为模型输出似然函数，由于边缘似然函数无法解析处理，因此，基于变分推理方法对模型进行求解，获得随机映射神经网络输出权值，提出一种对噪声和异常点具有鲁棒性的回声状态网络非线性时间序列预测模型，所提模型不但具有较强的

8、I华中科技大学博士学位论文非线性逼近能力，而且对异常点和噪声具有较强的鲁棒性。提出两种多随机映射神经网络组合优化预测方法。针对单一随机映射神经网络对数据信息表达不充分，基于Adaboost.RT提出一种改进的多核极端学习机预测模型。另外，基于双稀疏相关向量机，对相关回声状态网络的组合权值及由相关样本得到的基函数的权值同时进行学习，得到一种优化的多稀疏回声状态网络组合模型，该模型不需要采用交叉验证的方式确定回声状态网络的谱半径和稀疏度，只需确定相应的区间。