基于紧致型小波神经网络时间序列预测研究.docVIP

基于紧致型小波神经网络时间序列预测研究 　　摘 要：分析了“紧致型”小波神经网络的结构和特点。在利用神经网络分析时间序列预测方法的基础上，用方差分析的统计方法确定样本序列的长度，从而有效地确定神经网络输入层节点数。对太阳黑子年平均活动序列进行了训练和预测，并从网络本身的内在制约因素出发比较了小波网络和BP网络对时间序列进行训练和预测的差异，分析了两者出现差异的本质原因。将多分辨率的小波与神经网络的非线性逼近功能相结合的方法发挥了各自优势,明显提高了预测精度。 　　关键词：小波神经网络； 方差分析； 时间序列； 预测 　　中图分类号：TP274 文献标志码：A 文章编号：1001-3695(2008)08-2366-03 　　Research about time-serial prediction based on tight wavelet neural-net 　　 　　LUO Hang, WANG Hou-jun, LONG Bing 　　(School of Automation Engineering, University of Electronic Science Technology of China, Chengdu 610054, China) 　　Abstract:This paper analyzed the characteristic and construction of wavelet neural-net called tight type. At the same time, it decided the length of sample serial by using a kind of statistic method called variance analysis so that the knot number of input layer could be efficiently decided, which was based on analyzing time-serial prediction by means of neural net. It trained and predicted the time-serial of sunspot’s annual average activity and compared the difference of training and prediction to the time-serial between wavelet-net and BP-net from net itself restriction. Accordingly, analyzed the cause of that difference. The method of combining wavelet’s multi-discrimination with neural-net’s non-linear approaching function exerted their advantages respectively. Thus, the prediction precision was obviously enhanced. 　　Key words：wavelet neural-net; variance analysis; time-serial; predict 　　 　　从统计意义上讲，时间序列预测属于条件期望[1]，这涉及到求解当前样本和过去样本的联合概率。然而由于条件期望的非线性致使其求解面临非常大的数学困难，以这样的方法建立预测模型是次优的[2]。正如建立在时间序列平稳假设基础上的传统AR预测模型、ARMA预测模型和Markov链等，它们对于非平稳信号无法取得很好的预测效果[3]。一种较好的解决办法是利用神经网络的非参数思想来达到预测。由于神经网络基于非统计假设的训练，它提供了解决复杂问题的途径[4]。大量研究表明，神经网络可以通过短时加载训练学习样本来解决非线性预测问题[5~7]。然而，神经网络由于自身训练的学习率、训练精度、隐层节点数选取和初始权值的设置等诸多问题，导致其对多成分时间序列预测的误差较大。 　　基于上述背景，产生了一种将小波变换的时频局域化性质与人工神经网络的自学习功能结合在一起的前馈型监督学习网络[8]――小波神经网络。从构成特点上看，一类被称为“紧致型”的小波网络用小波基函数取代了隐含层的Sigmoid激活函数。与传统的BP神经网络相比，由于伸缩和平移因子都可以作为调节参数的小波函数具有多分辨率、局部化和正交化功能，一方面可独立计算网络的权值，使网络具有更灵活有效的逼近能力；另一方面由于小波