[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

技術領域

本發明涉及神經網絡信號處理領域，具體涉及基于動態閾值確定嵌入維的神經網絡時間序列預測方法。

背景技術

時間序列的混沌特性在金融、農業、天氣以及太陽黑子的活動中普遍存在，對這些領域的時間序列進行預測有著積極的現實意義。

我們知道，對于大多數時間序列而言，數據的大小通常不只是由單個變量所決定的。例如某只股票每天的收盤價格，在繪制的圖像上是關于時間而變化的變量，但該價格往往是由公司的經營狀況、市場的整體環境、股民的投資心態等各種因素所決定的。所以，對于特定的時間序列，可看成是多變量系統。決定多變量系統長期深化的任一變量的時間演化，均包含了系統長期演化的信息。因此，可以通過對決定系統演化的任一單變量時間序列的分析來研究系統的混沌行為。通過時間序列對混沌進行研究，開始于Packard等人提出的相空間重構理論。而在相空間重構中，對于時間延遲和嵌入維數的選擇具有十分重要的意義。

與此同時，利用神經網絡對混沌時間序列進行預測，已經成為了當前的熱點研究課題。對混沌時間序列嵌入維的計算，決定著神經網絡的結構，從而深刻影響著神經網絡對混沌時間序列預測的精確度。當前對混沌時間序列嵌入維的計算方法有：奇異值分解法、假鄰近法等。奇異值分解法，首先對嵌入空間進行奇異值分解，然后選取最大奇異值作為最小嵌入空間的維數。假鄰近法，根據在嵌入維小于吸引子真實維數的時候，會出現很多假鄰近點，即在低維的情況下某點是鄰近點，但隨著嵌入維的增加，該點已經不是鄰近點了。由此定義了兩點是否是鄰近點的判定準則，再根據鄰近點數目是否為0來判定嵌入維數。這些方法對數據初始值敏感，且對于閾值沒有一種明確的設定方法，只根據經驗來決定閾值，因此無法保證嵌入維計算結果的準確性，進而影響神經網絡的健壯性，導致預測結果誤差較大。

發明內容

為了克服現有技術存在的缺點與不足，本發明提供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。通過動態閾值的引入，得到更加準確的嵌入維數值，將混沌動力學系統與神經網絡結合起來，根據嵌入維和時間延遲構造更健壯合理的神經網絡結構，同時結合構造的訓練數據集，得到更好的訓練及預測效果。

本發明采用如下技術方案：

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，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。

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。

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)，用第r個鄰近點X_r表示的，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。

所述m大于等于2。

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。

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