多维非线性时间序列的投影寻踪学习逼近.pdfVIP

多维非线性时间序列的投影寻踪学习逼近 谢美萍赵希人 庄秀龙 (哈客滨工程丈学自动化学脘哈尔滨150001)(难尔滨市弟627研究所哈尔滨1sO001) 摘要：本文建立，多维非线性时间序列投影寻踪学习网络结构及算法，证明了投影寻踪学习网 络可以以任意精度逼近多维非线性时间序列．解决了基于投影寻踪学习的多维非线性时间序列的 建模和预测问题，实际应用例子表明该算法可行。 关键词：非线性时间序列投影寻踩学习 神经网络 1引言 文献【4】中讨论了基于投影寻踪学习网络的一维非线性时间序列的逼近问题，但没有解决 基于投影寻踪学习网络的多维非线性对问序列的建模和预测问题，其中包括网络模型结构， 收敛性及应用实例，本文证明了投影寻踪学习网络可以以任意精度逼近多维非线性时问序 列，进而给出了实际应用例子。 2定义与记号 定义1．(多维自噪声)称n维序列忆，f=o，±l，±2，…}均值为0，协方差为∑的自噪声， 当且仅当{互}是平稳的，均值为0，协方差函数为 “∞=悟蒜 记忆}～WN(0∑) 用记号{Z|}o．i．d(0∑)表示独立同分布，均值为0，协方差为∑的随机向量 {互，，=o，±l，垃，…} 非线性自回归滑动平均模型为： 石=鲁∞。，彤-2，一；Ⅸ，，矗q，日-2，一；舀一十岛 (1) ∑)的白噪声。 别推广到一维情形。 硝∥ 鲥～ 钆～ ‰～ 定义3，(拉直运算)设彳=(彳”，∥封，-·j爿哆Ⅳ= M和 即 rJlL 1名 硝m∞：∽ llⅢ 用j表示将』矩阵按行拉直为叩维列向量．即 32 ∥(1) 彳7(2) A= =(mI…口”a2i…Ⅱ2n…口P1．，+d柙)7掣y 爿。(∞J。 件期望。并简记为E(ylk，函，f∈n)。 其中a{x，，￡，，f∈r)为{x。岛，tEr}张成的仃代数。T为某实数集。 fxHt，‘。尚一·] 定义5．(函数拉直)对函数』……’l将其参数按行拉直，即 l而吐。，…，*一。。J 八)=／‰圳…x却…x喁I…*一B一 3引理 r(E)范数。 一 引理2．L2(E)c co(G)．其中CO(G)表示G的凸闭包。 点的凸包z，使得 jI：-^盯E％成立。其中c，b2一M：2 由文献【4】定理3．1得如下推论： 推论I．对一维非线性ARMA(p,q)过程。 Z=低一l，。‘j‘一。，每一l，乞-2，‘‘j‘一：)+薯 则存在口，，卢，，g，(·)使得下式成立。 f一旧一鼢∥洲蛾与。 (2) 对任意的E∈∥”9，r∈T。 其中口，为(p+q)维实向量-∥，为q维实向量，甄．)是由基底_，正，…，Z，…张成的空间 S中的元素，S在r(压)中稠密，P。(置)为置(m)的分布，它是∥+。上的概率锲4度。 4网络模型及算法规则 建立n维非线性ARMA∞，q)过程的投影寻踪学习网络模型如下：(见图1) 在此网络模型中，卢。“=l∥2·，n)表示第f个输出元和第女个隐元之间的权值，。0k，巧k．f 示第七个节点函数，1≤i≤n，1sJ≤p，1≤／≤g，1≤f≤n，ls七蜘．给定准则函数： 厶；妻w『EkAt)一只(r)} ：主Ⅵd置c，，一盖芦。乳c盖差，砉ca-a