【技术实现步骤摘要】
一种基于注意力机制深度学习的混沌时间序列预测方法
本专利技术涉及一种基于注意力机制深度学习的混沌时间序列预测方法，属于混沌系统
技术介绍
混沌系统是一种从无序运动中产生有序高维复杂的非线性动力系统。混沌的离散情况常表现为混沌时间序列，混沌时间序列是由混沌系统生成的具有混沌特性的时间序列，混沌时间序列中蕴涵着系统非常丰富的动力学信息，混沌时间序列是混沌理论通向现实世界的一个桥梁，是混沌系统的一个重要研究领域。根据Takens相空间延迟重构定理，混沌系统的内在规律可以通过混沌时间序列进行重构预测。如何选择或构造预测模型是混沌时间序列预测中的关键问题之一。近年来，提出了各种混沌时间序列预测模型。例如Volterra滤波器，径向基函数网络，支持向量机，模糊模型等。在这些模型中，神经网络(NN)由于其强大的学习能力和良好的泛化能力成为最广泛使用的模型，尤其是在深度学习出现之后。神经网络在混沌领域中的大多数应用都是基于前馈神经网络，例如径向基函数网络和反向传播网络。尽管如此，传统的基于梯度下降的神经网络学习算法在混沌时...
【技术保护点】
1.一种基于注意力机制深度学习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、构建混沌时间序列数据集，利用Lorenz系统和Rossler系统生成混沌时间序列数据，具体包括以下子步骤：/n(a)Lorenz系统方程通过公式(1)进行描述，/n
【技术特征摘要】
1.一种基于注意力机制深度学习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、构建混沌时间序列数据集，利用Lorenz系统和Rossler系统生成混沌时间序列数据，具体包括以下子步骤：
(a)Lorenz系统方程通过公式(1)进行描述，
式中，和表示对自变量时间t求导数，a，b，c是Lorenz系统参数常量，设置初始值为a＝16,b＝4,c＝45.92，x，y，z表示Lorenz系统的状态，设置初始值为x(0)＝y(0)＝z(0)＝1.0，用四阶Runge-Kutta法产生以Δt为时间间隔的混沌时间序列；
(b)为使Lorenz系统完全进入混沌状态，丢弃初始瞬态前1000个点；
(c)通过简单的交叉验证生成训练集和测试集，获得具有混沌特性的时间序列；
(d)Rossler系统方程通过公式(2)进行描述：
式中，和表示对自变量时间t求导数，x，y，z表示Rossler系统的状态，设置初始值为x(0)＝y(0)＝z(0)＝1.0，，a，b，c是Rossler系统参数常量，设置初始值为a＝0.2,b＝0.2,c＝5，用四阶Runge-Kutta法产生以Δt为时间间隔的混沌时间序列；
(e)舍弃掉瞬态，将前20000个点划为训练集,接着5000个点划为测试集；
步骤2、对混沌时间序列进行相空间重构，根据Takens定理进行相空间重构，对于d′维混沌吸引子的一维标量时间序列{x(i):1≤i≤n}都可以在拓扑结构不变情况下找到一个d维嵌入相空间，通过一维的混沌时间序列{x(i)}的不同延迟时间τ来构建d维相空间状态向量，d维相空间状态向量通过公式(3)进行描述：
Xi＝(x(i),…,x(i+(d-1)τ),i＝1,2,…,n-(d-1)τ(3)
式中，Xi表示相空间状态向量，x(i)表示标量时间序列，d表示嵌入维数，τ表示延迟时间，Takens定理证明找到合适的嵌入尺寸，如果延迟坐标的维数是动态系统的维数，则在该嵌入维数空间中恢复吸引子，吸引子在嵌入维空间中恢复，在重构空间的轨迹中，动力系统保持微分同胚性，设置嵌入维数d＝5，延迟时间τ＝1；
步骤3、使用LSTM神经网络模型训练混沌时间序列数据，LSTM神经网络模型将输入的历史时间序列数据编码成隐藏状态和细胞状态，通过门的设计,LSTM神经网络模型自适应地控制积累信息的强弱，其中每个细胞计算单元的计算过程通过公式(4)-(9)进行描述：
it＝σ(Wi[ht-1,xt-1]+bi)(4)<...
【专利技术属性】
技术研发人员：孙媛媛，王博林，张书晨，陈彦光，
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。