[1]莫小琴,李钟慎.混沌时间序列的LSSVM预测方法[J].华侨大学学报(自然科学版),2014,35(4):373-377.[doi:10.11830/ISSN.1000-5013.2014.04.0373]
　MO Xiao-qin,LI Zhong-shen.Prediction Method of the Chaotic Time Series Using Least Squares Support Vector Machine[J].Journal of Huaqiao University(Natural Science),2014,35(4):373-377.[doi:10.11830/ISSN.1000-5013.2014.04.0373]
点击复制

混沌时间序列的LSSVM预测方法()
分享到：

《华侨大学学报（自然科学版）》[ISSN:1000-5013/CN:35-1079/N]

卷:
第35卷
期数:
2014年第4期
页码:
373-377
栏目:
出版日期:
2014-07-10

文章信息/Info

Title:
Prediction Method of the Chaotic Time Series Using Least Squares Support Vector Machine
文章编号:
1000-5013(2014)04-0373-05
作者:
莫小琴;  李钟慎
华侨大学 机电及自动化学院, 福建 厦门 361021
Author(s):
MO Xiao-qin;  LI Zhong-shen
College of Mechanical Engineering and Automation, Huaqiao University, Xiamen 361021, China
关键词:
混沌时间序列;  相空间重构;  最小二乘支持向量机;  粒子群优化;  预测模型
Keywords:
chaotic time series;  phase space reconstruction;  least squares support vector machine;  particle swarm optimization;  prediction model
分类号:
TP216.1
DOI:
10.11830/ISSN.1000-5013.2014.04.0373
文献标志码:
A
摘要:
结合相空间重构理论,提出运用最小二乘支持向量机(LSSVM)建立混沌时间序列的预测模型,并用粒子群优化(PSO)解决LSSVM参数寻优的问题.通过与RBF神经网络构建的预测模型相比较,计算预测模型的均方根误差来评价模型的性能.结果表明:采用PSO优化的LSSVM预测模型的预测精度更高.
Abstract:
Based on the phase space reconstruction theory, prediction model of chaotic time series using least squares support vector machine(LSSVM)was presented in this paper, and particle swarm optimization(PSO)was used to solve the LSSVM parameter optimization problems. By comparing with the established prediction model of RBF neural network, the root mean square error of the prediction model was calculated to evaluate the performance of the model. The results show that the PSO optimized LSSVM prediction model has higher prediction accuracy.

参考文献/References:

[1] 党建亮.基于支持向量机的混沌序列预测方法研究[D].成都:西南交通大学,2006:12-24.
[2] 雷绍兰,孙才新,周浪,等.基于改进加权一阶局域预测模型的短期负荷预测方法研究[J].电测与仪表,2006,43(455):5-6.
[3] CAO Liang-yue.Practical method for determining the minimum embedding dimension of a scalar time series[J].Physica D: Nonlinear Phenomena,1997,110(1):43-50.
[4] 朱光兆,何伟.基于支持向量机的混沌时间序列预测分析[J].自动化仪器仪表,2012(1):145-149.
[5] 往永生,刘卫华,杨利斌,等.基于最小二乘支持向量回归的混沌时间序列预测研究[J].海军航空工程学院学报,2009,24(3):283-288.
[6] 翟永杰,王子杰,黄宝还,等.基于PSO优化的SMO算法研究及应用[J].华北电力大学学报,2008,35(1):57-61.
[7] 孙涛,李健,郑豫,等.基于神经网络的混沌时间序列预测[J].成都信息工程学院学报,2008,23(2):126-130.
[8] 张弦,王宏力.嵌入维数自适应最小二乘支持向量机状态时间序列预测方法[J].航空学报,2007,31(12):672-675.
[9] 张淑清,贾键,高敏,等.混沌时间序列重构相空间参数选取研究[J].物理学报,2010,59(3):1576-1582.
[10] 王朝.基于SVM的混沌时间序列预测方法研究[D].保定:河北大学,2012:15-20.
[11] 陈旭,刘延泉,葛建宏.基于PSO优化的LS-SVM的混沌时间序列预测[J].仪器仪表用户,2009,16(1):135-136.
[12] 孙斌,姚海涛.基于PSO优化LSSVM的短期风速预测[J].电力系统保护与控制,2012,40(5):85-89.
[13] 朱小明,张慧斌.PSO算法的稳定性分析及算法改进[J].计算机科学,2013,40(3):275-278.

相似文献/References:

[1]莫小琴,李钟慎.混沌时间序列的LSSVM预测方法[J].华侨大学学报(自然科学版),2015,36(预先出版):0.
　MO Xiao-qin,LI Zhong-shen.Prediction Method of the Chaotic Time Series Using Least Squares Support Vector Machine[J].Journal of Huaqiao University(Natural Science),2015,36(4):0.

备注/Memo

备注/Memo:
收稿日期: 2013-10-12
通信作者: 李钟慎(1971-),男,教授,主要从事先进控制理论与控制工程的研究.E-mail:lzscyw@hqu.edu.cn.
基金项目: 福建省自然科学基金资助项目(2011J01350); 中央高校基本科研业务费资助项目(JB-ZR1107)
更新日期/Last Update: 2014-07-20