基于支持向量回归神经网络的时间序列预测

被引：8

作者：

李军

赵峰

机构：

[1] 兰州交通大学自动化与电气工程学院

来源：

系统仿真学报 | 2008年 / 15期

关键词：

支持向量回归; 神经网络; 鲁棒学习算法; 时间序列; 预测;

D O I：

10.16182/j.cnki.joss.2008.15.058

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

为了选择神经网络的最好结构以及增强模型的推广能力,提出一种自适应支持向量回归神经网络(SVR-NN)。SVR-NN用支持向量回归(SVR)方法获得网络的初始结构和权值,自适应地生成网络隐层结点,然后用基于退火过程的鲁棒学习算法更新网络结点参数和权值。SVR-NN有很好的收敛性和鲁棒性,能抑制由于数据异常和参数选择不当所导致的"过拟合"现象。将SVR-NN应用到时间序列预测上。结果表明,SVR-NN预测模型能精确地预测混沌时间序列,具有很好的理论和应用价值。

引用

页码：4025 / 4030

页数：6

共 6 条

[1] 支持向量机的时间序列回归与预测 [J].

董辉 ;

傅鹤林 ;

冷伍明 .

系统仿真学报, 2006, (07) :1785-1788

[2] 混沌时间序列的模糊神经网络预测 [J].

谭文 ;

王耀南 ;

周少武 ;

刘祖润 .

物理学报, 2003, (04) :795-801

[3] 基于支持向量机的非线性系统辨识 [J].

张浩然 ;

韩正之 ;

李昌刚 .

系统仿真学报, 2003, (01) :119-121

[4]

Using support vector machines for time series prediction[J] . U Thissen,R van Brakel,A.P de Weijer,W.J Melssen,L.M.C Buydens.Chemometrics and Intelligent Laboratory Systems . 2003 (1)

[5] New support vector algorithms [J].

Schölkopf, B ;

Smola, AJ ;

Williamson, RC ;

Bartlett, PL .

NEURAL COMPUTATION, 2000, 12 (05) :1207-1245

[6]

Nonlinear prediction of chaotic time-series. M.Casdagli. Physica D Nonlinear Phenomena . 1989

← 1 →