改进遗传神经网在时间序列预测中的研究与应用.pdfVIP

改进遗传神经网络在时间序列预测中的研究与应用 计算机软件与理论 研究生王昶指导教师王世伦 摘要随着信息技术的不断发展，人工智能已经应用到各个领域，包括： 模式识别、游戏智能、机器人技术等。人工智能作为一个朝阳行业已越来越 多的受到人们的关注。甚至有人认为人工智能技术将成为二十一世纪计算机 行业中最重要的发展方向之一。 神经网络作为人工智能领域中的重要分支，因其对非线性情况的良好逼 近能力，应用领域深入到很多工程应用领域中。但是由于其训练时间过长、 易进入局部最优值、训练初始参数等不足而造成模型性能不佳。遗传算法是 根据达尔文进化论中适者生存的观点，将实际需要解决的问题，利用计算机 模拟生物界中的进化过程，最终寻找出最优解。遗传算法的全局寻优功能特 别适合弥补神经网络中易陷入局部最优值的情况。神经网络中的结构和初始 参数可以通过遗传算法来进行优化。小波变换作为一种现在越来越常用的数 学工具，因其多分辨率特性，拥有“数学显微镜”的美称。它拥有Fourier 变换所不具备的时域分析能力，特别适用于对时间序列的处理。适用小波变 换对时间序列进行预处理，有助于提高神经网络的训练精度，减少训练时间。 本文将神经网络、遗传算法和小波变换进行融合应用。利用神经网络对 非线性逼近能力，遗传算法良好的全局寻优能力以及小波变换对时频的处理 能力，建立小波变换和遗传算法优化神经网络模型(Wavelet Neural denosing-Genetic-Artificial 行预测。取得了如下成果： 1．使用遗传算法同时优化神经网络的初始结构和参数。考虑目前使用遗传算 法优化神经网络的限制与不足，并且结合相应数据集，提出遗传算法双阶 段优化策略(Dual-Phase 结构和参数。 2．建立WGANN模型；将其应用于岷江上游的径流量预测，取得较好结果。将 WGANN模型的预测结果与未经优化的神经网络预测结果进行比较。从短期 度均高于传统神经网络。 其中，神经网络作为整个模型的主要架构；利用本文提出的DPO，首先确 定网络结构，其次再对参数进行优化；小波变换实现对数据集的预处理。最 后，通过WGANN模型对岷江上游径流量数据进行短、中、长期的预测分析， 并将预测分析的结果与传统神经网络模型得到的结果进行比较。比较结果显 示，WGANN模型在预测的精度上都远远高出传统神经网络模型。该模型的建立， 为时间序列预测分析提供了一条新的思路。 关键词： 神经网络，遗传算法，小波变换，时间序列预测 Ⅱ and of TheResearch ApplicationImproved NeuralNeffforksonTimeSeries Genetic Prediction and Software Computer Theroy Shi-lun Student：WangChang Supervisor：Wang Abstract：Withthe ofInformation artificial development Technology,The has used asPattern been areas，such intelligencetechnology manyapplication