基于RBF网络混沌时序变形分析和预测.docVIP

基于RBF网络混沌时序变形分析和预测 　　摘 要:RBF网络是一个三层的前馈型神经网络,它隐含层的转换函数是局部响应的非线性函数,所以它能够以任何精度逼近任意连续函数,这为复杂的变形系统的解释和模型化提供了可能,因而利用RBF网络对混沌时序的分析和预测是变形分析的一种新的途径。本文首先介绍RBF网络,对其变形监测数据的混沌现象进行分析和对RBF网络的混沌时间序列作出分析、预测,最后,总结出运用RBF网络对变形分析和预测对数据拟合模型的精度和预测能力都有很大的提高作用。 　　关键词: RBF网络 混沌时序 变形分析 预测 　　中图分类号: TP39 文献标识码: A文章编号: 1007-3973 (2010) 04-049-02 　　 　　1 RBF网络的介绍 　　径向基函数首先是在解决实多变量差值问题时引入的,该方法是一个高维空间中的曲线拟合(逼近)问题。由Powel在1985年论述成型,1988年,Broomhead和Lowe将RBF应用于人工神经网络设计,构成了RBF神经网络。 　　RBF神经网络主要用于解决模式分类和函数逼近等问题。在数学上,RBF神经网络在解决模式问题时,在高位数据空间中可能解决在低维空间中不易解决的分类问题。这就是RBF神经网络隐层空间维数通常都很高的原因,而且,隐层空间的维数同网络的性能有着直接的关系,即维数越高,逼近精度也就越高,但带来的问题就是非线性的复杂程度也就越高。 　　2 变形监测数据的混沌现象分析 　　变形监测数据一般以时间作为变量的单变量演化过程,因而可以通过对时间状态的解析对变形监测数据进行描述。 　　一般的动力学方程为; 　　 (1) 　　其中表示系统的状态变量,在这个式子里我们可以看出,状态变量是刻画系统的主要参数,它们构成了系统的状态空间,在进行系统动力学分析时,我们主要通过对状态空间的分析,进而研究系统现时所处的状态以及状态的下一步发展。 　　人们对动力学系统的研究主要有两种办法,一种是根据系统已知的动力学模型进行模拟,解释或分析系统发展过程中的出现的问题,预测系统的下一步发展;一种是根据测量得到的数据反演系统的各个特征,进而分析系统变化。在实际应用中,我们往往不知道系统的模型,所以主要是运用所观测得到的数据对系统进行反演建??。 　　2.1 重构相空间 　　设单变量位移时间序列为,其采样时间间隔为。重构相空间为 　　 (2) 　　 　　其中嵌入维数为m,延迟时间为为m维相空间中的相点,M为相点个数,且。集合 描述了系统在相空间中的轨迹,根据Takens定理,只要m,选择合适,重构相空间与原系统拓扑等价的。 　　如何合适选择m,,1999年,H.S.Kim,R.Eykhoit和J.D.Salas基于自相关函数法和互信息法,提出了一种改进的C-C方法。 　　2.2 关联维数 　　许多文献上说明若关联维数为分数,则认为系统是混沌的。 　　关联维数的计算由Grassberger和Procaccia(1983,1984)在重构相空间思想和嵌入理论的基础上提出G?P算法。 　　考虑重构的m维相空间中的任一对相点: 　　(3) 　　计算它们的距离(如欧氏距离) 　　(4) 　　给定一临界距离,计算关联函数 　　(5) 　　式中, 是总相点数,是Heaviside函数 　　 (6) 　　选择不同r的作出曲线,其直线部分的斜率就是关联维数的估计值,即 　　(7) 　　 不断增大嵌入维数,重复上述计算,直到达到某一阈值时,关联维数的值不再随的增加而发生变化,即曲线中的直线段斜率不再随的变化而变化。这时得到值就是吸引子的关联维数: 　　 (8) 　　 称为饱和维数, 若不存在,表示吸引子可能不存在,被考察的时间序列可能来自一个随机系统。对于混沌系统,、分别说明了适当地模拟动力学系统所必需的独立变量(或实质性变量)的最小个数和最大个数。 　　2.3 Lyapunov指数 　　Lyapunov指数是与相空间的轨线收缩或扩张的性质相关联的,在Lyapunov指数小于零的方向上轨道收缩,运动稳定,对初始条件不敏感;而在Lyapunov指数大于零的方向上轨道迅速分离,对初值敏感。Lyapunov指数的正负性可以用来判断混沌的存在。Wolf和Bessoir就指出,对于多维动力系统的混沌判断,只要看最大的Lyapunov指数 就足够了。,意味着存在混沌; ,就存极限环; ,存在不动点,即是稳定的。 　　实例: 　　下面是某个大坝的84期变形监测数据累积值,我们根据前面所提到算法对变形监测数据的时间序列进行重构并对关联维和Lyapunov指数的计算。 　　 　　图1 变形监测累积变形 　　通过求时间延迟的C-C法的计算,得出时