System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及混沌系统,尤其是一种基于vffrls的混沌时间序列模糊预测方法。
技术介绍
1、混沌是指发生在确定性系统中的貌似随机的不规则运动。一类具有混沌特性的时间序列即是混沌时间序列。经过大量的科学探索与研究,人们发现混沌系统由于其确定性系统的特征使混沌时间序列是可预测的,但混沌运动具有对初始条件极其敏感的特性,这使混沌系统的可预测性受到了限制,目前普遍认为混沌系统在短期可以预测而长期不能预测。模糊模型本质上是一种非线性模型,可以任意精度逼近任何非线性系统,具有结构简单、辨识精度高等特点。因此对于复杂、病态、非线性动态系统,基于模糊模型的模糊逻辑已成为描述动态系统的一种有效方法。模糊模型的辨识是由结构辨识和参数辨识两部分组成。在以往的模糊模型辨识中,如何优化前提参数,如高斯型隶属函数中心及宽度的优化一直是学者们重点研究的领域,但对于结论参数辨识方法的研究相对比较少。当前结论参数辨识的主要方法主要有阶跃响应法、最小二乘法与极大似然法。近年来,随着人工智能理论的发展,针对非线性系统的辨识方法如神经网络、粒子群以及遗传算法等智能辨识算法也得到了大量的应用。作为经典的参数辨识方法,递推最小二乘法及其改进型仍然具备着理论简单适用范围广的优点,但当使用大量数据进行模型训练时,递推最小二乘法会出现数据饱和的现象,影响了所建模型的精确性。
技术实现思路
1、本专利技术需要解决的技术问题是提供一种基于vffrls(变遗忘因子递推最小二乘法)的混沌时间序列模糊预测方法,在结论参数辨识部分引入遗忘因
2、为解决上述技术问题,本专利技术所采用的技术方案是:
3、一种基于vffrls的混沌时间序列模糊预测方法,包括以下步骤:
4、s1、构建混沌时间序列数据集,采用mackey-glass系统生成混沌时间序列数据;
5、s2、选取gauss型隶属度函数作为t-s模糊模型前提参数辨识方法;
6、s3、将基于变遗忘因子递推最小二乘法作为结论参数辨识部分,得到基于gauss型隶属度函数及变遗忘因子递推最小二乘法的模糊预测模型;
7、s4、采用基于gauss型隶属度函数及变遗忘因子递推最小二乘法的模糊预测模型对混沌时间序列进行训练与预测,并进行分析。
8、本专利技术技术方案的进一步改进在于:s1中,mackey-glass系统描述为:
9、
10、设初始值x(0)-x(17)为1.2,在t=124和t=1123之间采集1000个输入输出数据对作为训练数据和检验数据,前500个输入输出数据对用来训练模糊系统,后面500个输入输出数据对用来检验模糊系统;
11、对于mackey-glass混沌系统,采用x(t-1)、x(t-2)、x(t-3)、x(t-4)、x(t-5)和x(t-6)时刻数据作为输入变量来预测输出变量x(t+1)。
12、本专利技术技术方案的进一步改进在于:s2中,典型t-s模糊模型的定义为:
13、
14、then·yi=fj(x)=pj0+pj1x1+pj2x2+…+pjnxn
15、其中,x=(x1,x2,…,xn)为输入变量,i=1,2,…,n;为模糊子集;j=1,2,…,c,c为模糊规则总数;
16、对于具有c条模糊规则的典型t-s模糊模型,表示第i个输入xi属于模糊集aij的模糊隶属度函数,则gauss型隶属度函数公式为:
17、
18、式中,和分别表示隶属度函数的中心和宽度,i=1,...,n,j=1,2,…,c。
19、本专利技术技术方案的进一步改进在于:s3具体包括如下步骤:
20、s3.1引入遗忘因子λ起权重作用来调整旧数据与新数据对参数估计结果的影响力,变遗忘因子的取值方式为:
21、
22、式中,q为数据组数,依次取1~500;所得出的λ即为各组数据所对应的遗忘因子;
23、s3.2变遗忘因子递推最小二乘法的迭代过程为:
24、
25、
26、其中是x的第k行所示向量,sk是l×l辅助矩阵,k=0,1,2,…,n-1。
27、本专利技术技术方案的进一步改进在于:s4中,性能指标选择均方误差mse函数,表达式为:
28、
29、s4具体包括以下步骤:
30、s4.1确定模型输入变量个数r及规则数c;
31、s4.2根据等分区间法获得gauss函数的中心α,设置高斯函数宽度β=0.4,代入gauss隶属度函数公式求出隶属度函数矩阵u(u);
32、s4.3采用变遗忘因子递推最小二乘法对系统结论参数进行辨识;
33、s4.4计算性能指标mse,如果mse满足辨识精度要求,算法结束,否则增加c并转到s4.2。
34、由于采用了上述技术方案,本专利技术取得的技术进步是:
35、本专利技术通过采用vffrls作为模糊模型结论参数辨识部分来对混沌时间序列进行预测,既优化了递推最小二乘法(rls)在数据集偏大时产生的“数据饱和”现象,又改进了最小二乘估计(ls)的局限性问题,且避免了复杂的的参数寻优过程,为混沌时间序列的模糊预测提供了一种新方法。
本文档来自技高网...【技术保护点】
1.一种基于VFFRLS的混沌时间序列模糊预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于VFFRLS的混沌时间序列模糊预测方法,其特征在于:S1中,Mackey-Glass系统描述为:
3.根据权利要求1所述的基于VFFRLS的混沌时间序列模糊预测方法,其特征在于:S2中,典型T-S模糊模型的定义为:
4.根据权利要求1所述的基于VFFRLS的混沌时间序列模糊预测方法,其特征在于:S3具体包括如下步骤:
5.根据权利要求1所述的基于VFFRLS的混沌时间序列模糊预测方法,其特征在于:S4中,性能指标选择均方误差MSE函数,表达式为:
【技术特征摘要】
1.一种基于vffrls的混沌时间序列模糊预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于vffrls的混沌时间序列模糊预测方法,其特征在于:s1中,mackey-glass系统描述为:
3.根据权利要求1所述的基于vffrls的混沌时间序列模糊预测方法,其特征...
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。