基于混合算法优化神经网络混沌时间序列预测.docVIP

基于混合算法优化神经网络混沌时间序列预测 　　摘要:提出了一种混合算法优化神经网络的混沌时间序列预测模型。将粒子群优化算法与模拟退火算法过程中概率突跳的思想相结合形成一种新的混合算法,并用此混合算法优化神经网络建立预测模型。该模型克服了传统的神经网络收敛慢、易陷入局部最优等不足。利用该模型对Mackey-Glass混沌时间序列和Henon映射进行实验仿真,结果表明,该模型收敛速度快,稳定性能好,预测精度高。 　　关键词:粒子群优化;模拟退火;神经网络;混沌时间序列; 　　中图分类号:TP183文献标识码:A 　　Prediction of chaotic time series based on neural network optimized 　　by hybrid algorithm 　　Yin Xin,Zhou Ye,He Yigang 　　(College of Electrical and Information Engineering, Hunan Univ, Changsha 410082,China) 　　 　　Abstract:The prediction model for time series is introduced in this paper, which use the hybrid algorithm to optimize the neural networks. The main idea is that build the new hybrid algorithm by combining particle swarm optimization with Simulated Annealing that has the idea in sudden jump, and then optimize the neural networks by the hybrid algorithm. Therefore, many shortcomings like convergence too slow of common neural networks, getting into partial optimization easily and getting prediction precocity of simplex particle swarm optimization, is worked out. In addition, in order to prove the validity and the value of the model, taking the Mackey-Glass chaotic time series and the Henon map tests and imitates. The results show that by this model the convergence is fast, the stability is good, and the precision of prediction is high. 　　Keywords: particle swarm optimization; simulated annealing; neural network; chaotic time series; 　　 　　非线性混沌时间序列的预测已被广泛的应用于经济、信号处理、自动控制等领域,对混沌时间序列的预测成为了当今学术界的研究热点。近几年来,提出了各种预测模型和方法被提出,如神经网络模型和支持向量基模型等[1-5]。神经网络模型存在着收敛速度比较慢、容易陷入局部最优、预测精度低等不足,而支持向量基模型虽然在效率和预测精度上优于神经网络,却存在着选择参数的困难以及计算时间复杂性的问题。 　　粒子群优化算法因其具有收敛快、参数少、容易实现、全局搜索能力强等优点,而被广泛的应用于各个领域[6-10]。本文对传统的粒子群优化算法进行改进,使得算法具有更高的概率收敛到全局最优解,并用该算法优化神经网络,建立了基于混合算法优化神经网络的预测模型。利用此模型对混沌时间序列进行预测,仿真结果表明该模型具有一定的优越性和适用性。 　　1 混合算法 　　粒子群优化算法(Particle Swarm Optimization, PSO)是由Eberhart博士和Kennedy博士于1995年提出的一种进化计算技术[11、12]。其思想源于对鸟群捕食的行为研究。该算法通过对初始化的一组随机解进行迭代来实现,在搜索过程中,各粒子在空间追随最优的粒子,最后获得粒子的全局最佳位置,即问题的最优解。 　　本文以PSO为基础,借鉴模拟退火算法[13]在