基于ADE算法的LSSVM在混沌时间序列中的应用-论文.pdf

《基于ADE算法的LSSVM在混沌时间序列中的应用-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第31卷第1期计算机应用与软件V01．31No．12014年1月ComputerApplicationsandSoftwareJan．2014基于ADE算法的LSSVM在混沌时间序列中的应用崔庆马孝义李贤波朱晖李忠娟(西北农林科技大学水利与建筑工程学院陕西杨凌712100)摘要为了提高基于最小二乘支持向量机(LSSVM)模型的时间序列预测方法的泛化能力及预测精度，研究一种基于自适应差分进化算法(ADE)的最小二乘支持向量机模型(ADE—LSSVM)。首先利用相空间重构技术对样本数据进行相空间重构，再利用ADE对LSSVM的两个参数进行组合寻优，最后利用Lorenz系

2、统对模型进行仿真试验并与未进行参数优化的LSSVM预测结果对比。结果表明，ADE—LSSVM方法是一种可行的、有效的混沌时间序列预测方法，可为今后的科学研究提供新的理论思想。关键词混沌时间序列相空间重构技术最小二乘支持向量机核函数差分进化算法Lorenz系统中图分类号TP301TP18文献标识码ADOI：10．3969／j．issn．1000~86x．2014．01．074APPLICATIONoFLSSVMINCHAOTICTⅡESERIESBASEDONADEALGoRITHMCuiQingMaXiaoyiLiXianboZhuHuiLiZhongjuan(Co

3、llegeofrResourcesandArchitecturalEngineering，Nonhw~tA&FUniveni~，Yangling712100，Shaanxi，China)AbstractInordertoimprovethegeneralisationabilityandpredictionaccuracyoftimeseriespredictionwhichisbasedonleastsquaressupportvectormachine(LSSVM)model，westudyanadaptivedifferentialevolutionalgor

4、ithm(ADE)一basedLSSVM(ADE—LSSVM)mode1．First，weusephasespacereconstructiontechnologytoreconstructthephasespaceofsampledata，andthenuseADEtooptimisetwoparametersofLSSVMincombination．finallywemakeuseofLorenzsystemtosimulatethemodelinexperiment，andcompareitwiththeresultofLSSVMmodelprediction

5、withoutparametersoptimisation．ResuhsshowthattheADELSSVMmethodisafeasibleandeffective—predictionmethodforchaotictimeseries；itprovidesnewtheoreticalideaforfuturescientificresearches．KeywordsChaotictimeseriesPhasespacereconstructiontechniqueLSSVMKernelfunctionDifferentialevolutionalgorith

6、mLorenzsystem因此，本文将自适应差分进化算法与最dx-乘支持向量机0引言算法相结合，以提高基于最小二乘支持向量机的混沌时间序列预测方法的预测精度与泛化能力，建立了一种基于自适应差分混沌时间序列的预测方法被广泛地应用在经济、商业、通进化算法优化LSSVM模型的正则化参数与核函数参数的最小信、水文预测和天气预报等各领域J。由于它具有躁声、不稳二乘支持向量机的混沌时间序列预测模型，其算法的有效性可定、随机性的特点，对他的研究提出了许多非线性预测方法，如通过对Lorenz系统进行仿真验证。局部时间序列预测方法、全局时间序列预测方法、灰色模型预测法和神经网络模型预

7、测法等，但这些方法都存在严重的1混沌时间序列预测不足，例如灰色模型主要是针对线性数据，而对非线性预测的精度较低；神经网络模型预测在网络训练后得到的解不能保证1．1混沌时间序列预测理论是全局的最优化解等。混沌时间序列预测原理主要是根据时间序列的过去值、现最dx_-乘支持向量机(LSSVM)是一种建立在风险结构最在值预测它的未来值。对混沌时间序列的预测可分两步，第一小化基础上的新型机器学习法J，它具有全局最优、结构简单、步利用相空间重构技术对样本数据进行相空间重构，第二步选泛化能力强等优点而被广泛地应用于非线性预测领域，并取得择预测模型，其原理如图1所示。良好的效果