回聲狀態(tài)網(wǎng)絡的非線性系統(tǒng)自適應辨識.pdf

1、本文主要探討混沌非線性系統(tǒng)辨識及預測的機理問題。非線性動力系統(tǒng)辨識過程中噪聲的普遍存在掩蓋了這些系統(tǒng)的動態(tài)特性，極大地影響了混沌非線性系統(tǒng)的辨識精度和混沌時間序列的預測精度。因此，在對混沌非線性系統(tǒng)進行辨識及預測前，首先需要對實際觀測的混沌時間序列進行有效的噪聲去除。本文采用一種非線性局部平均去噪方法，對混沌時間序列進行噪聲去除。該方法能更好地校正相空間中點的位置，使其逼近真實的混沌吸引子軌跡，重構吸引子結構，計算簡單可靠。數(shù)值仿真結果

2、驗證了此方法的有效性，為混沌非線性系統(tǒng)的辨識和混沌預測奠定了基礎。在傳統(tǒng)的辨識方法中，預測只能使用固定的數(shù)據(jù)確立固定的預測模型。為克服這一缺點，本文提出一種混沌時間序列的在線自適應預測方法。該方法基于一種具備“儲備池”機制的新型遞歸神經(jīng)網(wǎng)絡：回聲狀態(tài)網(wǎng)絡(ESN)。ESN可以有效地處理非線性系統(tǒng)辨識以及混沌時間序列的預測問題，其特有的儲備池機制使得非線性系統(tǒng)的問題可以簡單地用線性方法處理，預測算法較使用傳統(tǒng)遞歸神經(jīng)網(wǎng)絡的預測方法更簡單。

3、本文基于Takens定理和混沌時間序列重構相空間理論，選取合適的嵌入維數(shù)，將時間序列嵌入到相空間中；通過選取具有儲備池機制的回聲狀態(tài)網(wǎng)絡ESN作為網(wǎng)絡預測模型，建立一種直接預測方法，直接構建預測原點和預測時域之間的定量關系。在此基礎上分別結合卡爾曼濾波算法和最小均方差算法進行線性部分的信號估計，其中卡爾曼濾波和最小均方差算法都是最優(yōu)狀態(tài)估計方法，用于在線更新預測模型的參數(shù)。將這種在線自適應預測方法應用于月太陽黑子數(shù)的預測問題中，仿真結果