[發明專利]基于動態閾值確定嵌入維的神經網絡時間序列預測方法

在審

• 申請號: 201710437710.4
• 申請日: 2017-06-12
• 公開（公告）號: CN107316106A
• 公開（公告）日: 2017-11-03
• 發明（設計）人: 周智恒;李立軍
• 申請（專利權）人: 華南理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司44245
• 代理人: 王東東

1.一種基于動態閾值確定嵌入維的神經網絡時間序列預測方法，其特征在于，包括如下步驟：

S1判定時間序列的混沌特性，得到混沌時間序列；

S2對混沌時間序列進行數據歸一化處理；

S3利用自相關函數法計算混沌時間序列的時間延遲；

S4利用動態閾值方法計算混沌時間序列的嵌入維；

S5利用時間延遲和嵌入維構造BP神經網絡的輸入層結構；

S6利用時間延遲和嵌入維構造BP神經網絡的訓練數據集；

S7利用構造的BP神經網絡對混沌時間序列數據組進行訓練及預測。

2.根據權利要求1所述的神經網絡時間序列預測方法，其特征在于，所述S3中利用自相關函數法計算混沌時間序列的時間延遲，具體為：

對于一個混沌時間序列，寫出其自相關函數，然后作出自相關函數關于時間t的函數圖像，根據函數的數值分析，當自相關函數下降到初始值的1-1/e時，所得的時間t為重構相空間的時間延遲t。

3.根據權利要求1所述的神經網絡時間序列預測方法，其特征在于，所述S4利用動態閾值方法計算混沌時間序列的嵌入維，具體步驟如下：

S4.1混沌時間序列x(n)和延遲時間t，構造一個m維的狀態空間矢量Y(n)，用表示的第r個鄰近點X_r，他們之間的距離定義為R，m為整數；

S4.2當狀態空間維數從m增加到m+1時，Y’(n)上分別增加一個新的坐標分量為x(n+mt)和x’(n+mt)，這時Y(n)和Y’(n)之間的距離為距離的相對增量為

S4.3引入循環計數器和平均相對增量D，其中D為嵌入維m每增加一維之后相對增量的平均值，當嵌入空間的維數從m增加到m+n時，此時若相對增量R大于D，則認為該點為假最鄰近點；

S4.4作出假最鄰近點數目和嵌入維的函數圖像，隨著嵌入維數值的增加，假最鄰近點的數目會逐漸減少，直至減少至0或不再變化，當假最鄰近點的數目趨近于0或不再變化時，終止計算，此時嵌入維的數值作為該序列的最小嵌入維；否則循環S4.1～S4.3。

4.根據權利要求3所述的神經網絡時間序列預測方法，其特征在于，所述m大于等于2。

5.根據權利要求1所述的神經網絡時間序列預測方法，其特征在于，所述S5中構造的BP神經網絡為三層，包括一個輸入層，一個隱含層及一個輸出層。

6.根據權利要求5所述的神經網絡時間序列預測方法，其特征在于，S7利用構造的BP神經網絡對混沌時間序列數據組進行訓練及預測，具體步驟為：

S7.1根據連接權矩陣和訓練樣本數據集計算隱含層新的激活值

bi=f(Σh=1nahVhi+i)]]>

使用的激活函數為Sigmoid函數f(x)＝1/(1+e^-x)；

S7.2計算輸出層單元的激活值

Cj=f(Σi=1pWijbi+j);]]>

S7.3計算輸出層單元的一般化誤差；

S7.4計算隱含層單元相對于每個神經元的誤差；

S7.5調整隱含層到輸出層單元的連接權值；

S7.6調整輸出層單元的閾值；

S7.7調整輸入層單元到隱含層單元的連接權值；

S7.8調整隱含層單元的閾值；

重復第S7.1至S7.8的計算步驟，當全部樣本的輸出誤差小于設定的收斂誤差時，訓練結束，運用已經構建好的BP神經網絡，對時間序列進行預測；

W為神經網絡中神經元的權值參數，b為神經網絡中神經元的偏置參數，f為激活函數。