基于svm混沌时间序列预测方法的研究

《基于svm混沌时间序列预测方法的研究》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、ClassifiedIndex:CODE:10075U.D.C:NO:20091395ADissertationfortheDegreeofM.ManagementPredictionmethodsofchaotictimeseriesbasedonSVMCandidate:WangchaoSupervisor:Prof.YuQiangProf.LiSongAcademicDegreeAppliedfor:MasterofManagementSpecialty:ManagementScience&EngineeringUniversity

2、:HebeiUniversityDateofOralExamination:May,2012摘要摘要随着混沌理论和应用技术的不断发展，混沌系统的建模、预测和控制成为当代混沌领域研究的热点。混沌系统预测被广泛应用于自然科学和社会科学的各个领域，如:在电子对抗、水文预报、图像处理、冰川期预测、太阳黑子和股票行情等预测中。混沌预测理论的研究具有很重要的实际应用价值和重要意义。研究混沌时间序列预测的方法很多,但也存在研究不完善等问题。为进一步发展完善预测理论，本文选用近几年提出的支持向量机算法来对混沌时间序列进行研究。支持向量机是一种机器学习算法

3、，最早被应用于分类研究，近些年才被学者引入到了预测领域，虽然一些学者对支持向量机算法赞赏有加，但究竟其预测效果如何，并没有一个统一的说法。基于此本文选用支持向量机预测算法构建混沌时间序列预测模型。应用该模型对3种典型混沌时间序列进行预测研究，并与经典的BP神经网络预测模型和RBF神经网络预测模型进行了对比分析。研究结果表明，虽然SVM算法预测具有较高的精度，但对于不同的混沌时间序列，SVM算法预测精度不同。对于有些混沌时间序列SVM的预测精度比BP和RBF预测算法的预测精度高，所以SVM预测算法并不适用于所有的混沌系统预测。本文安排如下：

4、在第一章中，说明了混沌时间序列预测的研究背景和发展，系统阐述了支持向量机研究现状以及在混沌时间序列预测上的研究进展。第二章，介绍混沌时间序列的理论基础以及相空间技术。第三章，构建支持向量机的模型，并且选择合适的参数C和g。第四章，在Matlab环境中对三种典型的混沌时间序列进行预测，并对其结果进行分析。第五章，构建BP和RBF神经网络预测模型，并将其预测结果与SVM算法预测结果进行比较。通过分析比较，发现在对Lorenz混沌时间序列的预测上，采用SVM算法预测精度最高。而在对Henon和Logistic混沌时间序列预测时，RBF算法表现出

5、的效果是最好的。关键词预测混沌理论混沌时间序列支持向量机IAbstractAbstractChaostimeseriespredictionistheimportantresearchfieldandhotspotsintoday'ssociety.Chaostimeseriespredictioniswidelyusedinnaturalscienceandsocialscience.Intheelectronicagainst,hydrologicalforecasting,imageprocessing,iceageforecast

6、,sunspotsandstockprices,etcofprediction.Chaostimeseriespredictionhasveryimportantpracticalapplicationvalueandsignificance.Theresearchesofchaotictimeseriespredictionmethodaremany,butthereisalsoresearchimperfect.Thispaperputforwardinrecentyearstheselectionalgorithmofsupport

7、vectormachinetothechaotictimeseriesforecast.Thealgorithmofsupportvectormachineusedinclassification,wasjustrecentlyscholarsintothepredictionfield,whattheforecasteffectisnotaunifiedpaperchoosesupportvectormachineforecastingalgorithmconstructchaotictimeseriesforecastingmodel

8、.Usethepredictionmodelofthethreekindsoftypicalchaotictimeseriespredictionresearch,andcompareditt