基于儲(chǔ)備池方法的多變量序列預(yù)測建模研究.pdf

1、復(fù)雜系統(tǒng)常呈現(xiàn)出高度非線性和多變量的特征，對(duì)其進(jìn)行預(yù)測建模較為困難。支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)是最為常用的建模方法，然而，目前預(yù)測模型的研究對(duì)象往往為單變量序列或線性系統(tǒng)，缺乏對(duì)復(fù)雜多變量序列的有效處理方法。儲(chǔ)備池方法具有獨(dú)特的非線性處理機(jī)制，在單變量序列預(yù)測中表現(xiàn)出卓越的性能。近年來，國內(nèi)外學(xué)者對(duì)儲(chǔ)備池方法展開了廣泛的研究，取得了一定成果。但是，在利用儲(chǔ)備池對(duì)復(fù)雜多變量序列進(jìn)行預(yù)測處理方面，涉及的較少。此外，如何結(jié)合儲(chǔ)備池自身的非線性處理機(jī)

2、制，對(duì)其學(xué)習(xí)算法進(jìn)行完善，也是一個(gè)值得深入研究的領(lǐng)域。
　　 本文對(duì)基于儲(chǔ)備池方法的多變量序列預(yù)測建模進(jìn)行了研究。多變量序列往往表現(xiàn)為高維、非線性、冗余度大等特征，直接對(duì)其進(jìn)行預(yù)測處理往往導(dǎo)致預(yù)測模型復(fù)雜、預(yù)測精度較低的問題。儲(chǔ)備池方法能夠?qū)⒃伎臻g的非線性特征映射為至高維儲(chǔ)備池空間中，使之轉(zhuǎn)換為儲(chǔ)備池空間的線性特征。將復(fù)雜多變量序列映射至高維儲(chǔ)備池空間，使得復(fù)雜序列的非線性部分在儲(chǔ)備池內(nèi)部被處理，這就解決的了非常棘手的非線性問

3、題。然后，將多元統(tǒng)計(jì)知識(shí)運(yùn)用于高維儲(chǔ)備池空間上。這樣，一方面解決了多元序列相關(guān)性強(qiáng)、冗余度大的難題，簡化了預(yù)測模型復(fù)雜度；另一方面將經(jīng)典的多元統(tǒng)計(jì)方法的應(yīng)用范圍從線性擴(kuò)展到非線性，提出了一種新的非線性多元統(tǒng)計(jì)方法。又因?yàn)槎嘧兞啃蛄型憩F(xiàn)為高維數(shù)，大樣本量的數(shù)據(jù)形式，實(shí)際應(yīng)用中，在線預(yù)報(bào)方法更為實(shí)用有效。在儲(chǔ)備池學(xué)習(xí)機(jī)制基礎(chǔ)之上，提出一種新的自適應(yīng)在線預(yù)報(bào)方法。它將Kalman濾波應(yīng)用于儲(chǔ)備池高維狀態(tài)空間中，直接對(duì)網(wǎng)絡(luò)的輸出權(quán)值進(jìn)行在線

4、更新，省去了傳統(tǒng)遞歸網(wǎng)絡(luò)擴(kuò)展Kalman濾波中Jacobian矩陣的計(jì)算，在提高預(yù)測精度的同時(shí)令算法的適用范圍得到擴(kuò)展。此外，考慮到訓(xùn)練樣本中奇異點(diǎn)的存在會(huì)對(duì)預(yù)測模型產(chǎn)生較大的影響，引入魯棒損失函數(shù)，并將線性回歸技術(shù)運(yùn)用于儲(chǔ)備池空間中，使得儲(chǔ)備池方法具有更好的魯棒性能。為驗(yàn)證本文所提方法的有效性，分別將其應(yīng)用于數(shù)值模擬產(chǎn)生的多變量混沌時(shí)間序列、實(shí)際水文領(lǐng)域觀測獲得的多變量時(shí)間序列和標(biāo)準(zhǔn)數(shù)據(jù)的仿真試驗(yàn)中，結(jié)果表明本文所提的方法能夠有效提高