基于儲備池方法的多變量序列預測建模研究.pdf

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

2、制，對其學習算法進行完善，也是一個值得深入研究的領(lǐng)域。
　　 本文對基于儲備池方法的多變量序列預測建模進行了研究。多變量序列往往表現(xiàn)為高維、非線性、冗余度大等特征，直接對其進行預測處理往往導致預測模型復雜、預測精度較低的問題。儲備池方法能夠?qū)⒃伎臻g的非線性特征映射為至高維儲備池空間中，使之轉(zhuǎn)換為儲備池空間的線性特征。將復雜多變量序列映射至高維儲備池空間，使得復雜序列的非線性部分在儲備池內(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)計知識運用于高維儲備池空間上。這樣，一方面解決了多元序列相關(guān)性強、冗余度大的難題，簡化了預測模型復雜度；另一方面將經(jīng)典的多元統(tǒng)計方法的應用范圍從線性擴展到非線性，提出了一種新的非線性多元統(tǒng)計方法。又因為多變量序列往往表現(xiàn)為高維數(shù)，大樣本量的數(shù)據(jù)形式，實際應用中，在線預報方法更為實用有效。在儲備池學習機制基礎之上，提出一種新的自適應在線預報方法。它將Kalman濾波應用于儲備池高維狀態(tài)空間中，直接對網(wǎng)絡的輸出權(quán)值進行在線

4、更新，省去了傳統(tǒng)遞歸網(wǎng)絡擴展Kalman濾波中Jacobian矩陣的計算，在提高預測精度的同時令算法的適用范圍得到擴展。此外，考慮到訓練樣本中奇異點的存在會對預測模型產(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)運用于儲備池空間中，使得儲備池方法具有更好的魯棒性能。為驗證本文所提方法的有效性，分別將其應用于數(shù)值模擬產(chǎn)生的多變量混沌時間序列、實際水文領(lǐng)域觀測獲得的多變量時間序列和標準數(shù)據(jù)的仿真試驗中，結(jié)果表明本文所提的方法能夠有效提高