【技术实现步骤摘要】
一种基于粒子群优化与自编码器的混沌时间序列预测方法
本专利技术属于复杂系统的混沌时间序列建模分析领域，特别是涉及一种基于粒子群优化与自编码器的混沌时间序列预测方法。
技术介绍
时间序列是由分析动态系统的研究人员按照一定的规则间隔t采样得到的一些有序观测数据x(t)。时间序列预测是依据过去的信息建立适当的模型，并对未来一定时期的趋势进行定量预测。混沌是指确定性动力学系统因对初值敏感而表现出的长期不可预测的、类似随机性的运动。混沌时间序列是一类具有混沌特性的时间序列，混沌时间序列对初始条件敏感，运动轨道仅限于有限区域，且轨道不重复，短期可预测，长期不可预测。现实世界的时间序列大多具有混沌特征。分析时间序列的规律并用它来预测它们未来的行为是非常有用的，如气象预报、灾害预警、金融趋势分析和交通流预测。传统的时间序列建模方法，如自回归综合移动平均模型、支持向量回归、回声状态网络等，已经在科学界和工业界得到了广泛的应用。传统的预测模型虽然取得了显著的效果，但同时仍然存在一些问题，特别是如何训练模型的权值。梯度下降法是训练神经网络...
【技术保护点】
1.一种基于粒子群优化与自编码器的混沌时间序列预测方法，其特征在于，包括以下步骤：/n步骤1：加载混沌时间序列原始数据集x
【技术特征摘要】
1.一种基于粒子群优化与自编码器的混沌时间序列预测方法，其特征在于，包括以下步骤：
步骤1：加载混沌时间序列原始数据集xi(t)，i＝1,2,…,d，t＝1,2,…,n，数据维数为d，样本数为n；
步骤2：选定嵌入维数m＝(m1,m2,…,md)和延迟时间τ＝(τ1,τ2,…,τd)为相空间重构参数，其中，m1,m2,…,md分别表示原始时间序列第1维，第2维，…，第d维数据的嵌入维数，τ1,τ2,…,τd分别表示第1维，第2维，…，第d维数据的延迟时间；
步骤3：利用相空间重构理论进行数据预处理；用时间延迟的方法构造高维相空间矢量X(t)＝[x1(t),x1(t+τ),…,x1(p),…,xd(t),xd(t+τ),…,xd(q)]，其中，表示重构后的数据，表示重构后数据维数；x1(p),p＝t+(m1-1)τ1表示将原始数据第1维序列中的第p个样本重构为数据X中第p维序列的第t个样本；xd(q),q＝t+(md-1)τd表示将原始数据第d维序列中的第q个样本重构为数据X中第di维序列的第t个样本；
步骤4：将重构后的时间序列X划分为训练数据和测试数据，其总计ts组训练数据，ss组测试数据；训练数据用来训练整个模型，测试数据用来验证训练好的模型；
步骤5：预设SAE模型的参数，选取的网络由2层自动编码器堆叠形成，输入参数包括权重衰减参数、稀疏惩罚项的权重、隐藏单元平均激活率；
步骤6：将训练数据作为堆栈自编码神经网络SAE的输入数据进行特征提取；首先将训练数据作为第一层自编码器的输入进行第一次特征提取，再将第一层自编码器的输出特征li(t),i＝1,…,s作为第二层自编码器的输入进行第二次特征提取，得到输出特征zi(t),i＝1,…,k，其中s和k分别表示第一层和第二层自编码器的输出特征维数；
步骤7：采用前馈神经网络作为整个模型的输出，即两次特征提取后的输出特征zi(t)作为前馈神经网络的输入，利用改进粒子群优化算法MPSO优化前馈神经网络的输出权值；
所述的前馈神经网络输入权值和隐含层偏置随机产生；隐含层输出矩阵G的计算方法如下：
其中z(t)表示第二层自动编码器的输出特征，αi,(i＝1,…,r)表示前馈神经网络的第i个隐含层节点与输入层节点之间的连接权值，bi,(i＝1,…,r)表示第i个隐含层节点的偏置，r表示隐含层中的节点个数，ts为数据个数，g(·)表示激活函数；
步骤8：采用改进的MPSO算法迭代更新粒子信息，计算新的输出权值，通过不断迭代寻找使MPSO算法的目标函数最小的输出权值；所述的目标函数设置为损失函数的L2范数与输出权值的L1范数的加权和：
其中W表示网络的输出权值，在PSO算法中表示粒子；T表示期望输出向量，||||2表示L2范数，||||1表示L1范数，λ是正则项系数；
具体步骤如下：
8.1：初始化改进的粒子群优化算法，设置其参数：种群规模为NP，最大迭代次数为MaxIt，搜索空间维数即为W的维数r；
8.2：利用Logistic混沌映射进行粒子位置初始化：
...
【专利技术属性】
技术研发人员：任伟杰，李昕，韩敏，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。