基于神经网络的非线性时间序列预测方法研究.pdfVIP

维普资讯 f f ～ 0 _ i I 第 15卷第 5期(总第 83期) 系 统 工 程 1997年 9月 基于神经网络的非线性 时 间 序 列 预 测 方 法 研 究 (=)jI6] 【提 要】 本文提 订一种基于神经 网络进行非线性预测的方法，对BP模型应用 于 非线性预测进行 7较详细的研 究和探讨，应用该方法对经典非线性时 序信号进行预测，并与传统预利方法 (TAR预测法)效果进行7比较，结 果证 明神经 网络预测方法 (ANN预测法)具有十分明显的优势。 关【键词】人神‘经网络，韭垒些望 ，! 竺!苎 谴 l 面对 自然和社会经济现象中大量存在的非线性、非平稳的复杂动态系统问题，传统的线性 化处理方法效果欠佳，而神经网络固其本质是非线性动态系统，具有 自学习功能，故在信号处 理、模式识别和最优化等领域具有广阔的应用前景，并能取得较好的效果。 目前用于非线性预测的时序模型主要是汤家豪(H．Tong)博士于 1980年首次提出并经本 文第一作者改进的门限自圊归模型(TAR--ThresholdAuto--RegressiveMode1) “ ，它是 对时序依状态分段线性化而产生的模型，其建模方法与线性模型无本质区别 在回归分析中，当变量较多时变量之间的关系难以确定是线性还是非线性关系。同时，由 于变量太多，计算复杂，有时很难甚至不可能得到比较理想的回归方程。固此，有必要运用神经 网络作进一步的改进。 l 非线性系统的动态模型 现代科学发展面临的一个基本问题是对非线性动态复杂系统的探索 这种复杂性主要表 现为：系统中包含大量元素，呈现多层次性结构，内部互关联，与外界环境相互制约，形成开放 性系统，输入输出之间并不满足可叠加性，内部要素及其环境动态变化。 复杂系统的变化过程可用状态变量Y(可以是矢量)的动态模型表示，其离散化形式为： Yt=F(Yt ………Y ) (1) ， 0==／_ 其中，Y一 ，……．Y… 为Y的滞后变量。 (1)式表明，假若F的函数关系已知，则由系统状态变量的若干期初始值及其环境影响固 素的变化量，就可预测此后系统的状态变化。固此，确定F是问题的关键 复杂系统的多层次性、互关联性以及非叠加性使F具有非线性特点。这使在传统科学领 域中行之有效的线性化方法遇到了难以克服的困难。 在神经网络模型中，信息隐含在由大量神经元连接起来的网络上，不需要显式描述结构的 并行性 ，使其可同时处理多种定量关系；非线性转换 函数，为非线性 问题 的处理提供了有力工 收稿 日期：1995--05--07．作者单位：广东五邑大学信息科学研究室 五邑 ·529020 6l