小波网络在带噪声的混沌时间序列预测中的研究.docVIP

小波网络在带噪声的混沌时间序列预测中的研究1 陈晓云，牛国鹏，吴本昌 兰州大学信息工程学院计算机软件与理论研究所，兰州 (730000) E-mail HYPERLINK mailto:beyonddoor@ ：beyonddoor@ 摘 要：在小波网络对混沌时间序列建模过程中，噪声会影响网络模型的泛化能力，针对该 问题，提出了基于小波去噪方法的小波网络预测框架。在预处理阶段使用小波去噪方法抑制 噪声，运用相空间重构理论确定嵌入维数和延迟时间，进而确定回归-小波网络混合模型的 结构，结合 BP 算法和遗传算法对模型的参数进行学习。在带噪声的 Mackey-Glass 混沌序列 预测实验中验证了该框架的有效性。 关键词：小波网络；小波去噪；混沌时间序列预测；相空间重构 中图分类号：TP181 1．引言 小波分析[1]是基于调和分析发展起来的新技术，是一种多分辨分析的方法，在时域和频 域同时具有良好的局部化特征，广泛应用于数字信号和图像处理、诊断和识别等领域。 非线性建模方法的相互融合，是一个重要的研究方向。小波分析和神经网络的结合研究， 主要通过两种方式：一种是辅助式结合，即小波变换作为神经网络建模的预处理步骤，用于 提取输入模式的特征[13]；另一种是嵌套式结合，小波分析技术作为神经网络的一部分。 Zhang[2]等最先提出了小波网络的模型，就属于小波分析和MLP网络的嵌套式结合方式，一 经提出就获得极大的关注[3] [4] [5]。 混沌时间序列预测是近年来快速发展起来的一种非线性预测方法，常用的预测模型有回 归模型[6][7]、神经网络模型[8][9]、SVM模型[10]等，应用渗透到电力、气象、水文、交通等众 多领域。然而提出的预测模型大多基于原始混沌时间序列是无噪的这一假定，但实际应用中 观测到的混沌时间序列常被各种形态、不同程度的噪声所污染，噪声在样本空间产生大量孤 立点，增加系统的复杂性，弱化序列的自相关程度[7]，因而未经过平滑噪声而建立的模型， 不能很好的刻画混沌时间序列的内在规律，使得模型在实际预测中泛化能力受到损害。同时 混沌时间序列本质的功率宽带性和似噪声性，使得传统的去噪方法难以满足要求。 针对以上问题，本文运用小波阈值去噪的方法，降低噪声对模型的影响，结合相空间重 构理论，建立回归-小波网络混合模型，提出基于小波去噪方法的小波网络预测框架，在带 噪声的Mackey-Glass混沌时间序列实验中验证了该框架的有效性。 2．相关原理 2.1 小波分析 小波分析是短时傅立叶变换(STFT)的改进，克服了STFT对所有频率成分使用单一分辨 率的缺点，采用了一种窗口大小固定、形状可变的时频局部化的多分辨信号分析方法，即在 低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和 较低频率分辨率，对非平稳信号具有自适应的分析能力。 信号 f (t ) 的连续小波变换为： 1本课题受到甘肃省气象局科研项目（基于数据挖掘的气象数据质量控制系统，项目编号：2008-01）的资助。 ∞ Wψ f ( a , b ) = ∫ ?∞ f (t )ψ a , b (t )d t  (1) 其中，ψ (t ) =| a |?1/ 2 ψ ( t - b ) 为子小波，ψ (t ) 为母小波，a ∈ R 为尺度因子，对ψ (t ) 作伸缩 a ,b a 变换，反映频率特性，b ∈ R 为平移因子，对ψ (t ) 作平移变换，反映时间特性。将尺度因子 0ma 和平移因子 b 离散化，令 a = a0 0 m , b = nam b ， m, n ∈ Z ，相应的小波变换为 ∞ Wψ f (m , n ) = ∫ ?∞ f (t )ψ m , n (t )dt  (2) 其中，ψ (t ) = a ? m / 2ψ (a ? m t ? nb ) ，特别地，当 a = 2, b = 1 时对应于二进小波离散变换。 m, n 0 0 0 0 0 通常使用Mallat算法计算小波变换，Mallat算法计算快速简单，不涉及具体的小波函数 和尺度函数，具有和FFT同等重要的地位。Mallat算法包括分解算法和重构算法两部分，Mallat 分解算法为 ?ci +1 = Hci ,i = 0,1,..., L = (3) ?Mallat重构算法为 ? ?di +1 Gci ci = Hci +1 + Gdi +1 , i = L ? 1, L ? 2,..., 0 (4) H 为分解低通滤波器，G 为分解高通滤波器，H 为重构低通滤波器，G 为重构高通滤波器， L 为分解的层数。将原始时间序列赋值予 c0 ，依次分解得到信号 d1 , d