資源描述：
《基于svm混沌時間序列預測方法的研究》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。
1、ClassifiedIndex:CODE:10075U.D.C:NO:20091395ADissertationfortheDegreeofM.ManagementPredictionmethodsofchaotictimeseriesbasedonSVMCandidate:WangchaoSupervisor:Prof.YuQiangProf.LiSongAcademicDegreeAppliedfor:MasterofManagementSpecialty:ManagementScience&EngineeringUniversity
2、:HebeiUniversityDateofOralExamination:May,2012摘要摘要隨著混沌理論和應用技術的不斷發(fā)展，混沌系統(tǒng)的建模、預測和控制成為當代混沌領域研究的熱點?；煦缦到y(tǒng)預測被廣泛應用于自然科學和社會科學的各個領域，如:在電子對抗、水文預報、圖像處理、冰川期預測、太陽黑子和股票行情等預測中。混沌預測理論的研究具有很重要的實際應用價值和重要意義。研究混沌時間序列預測的方法很多,但也存在研究不完善等問題。為進一步發(fā)展完善預測理論，本文選用近幾年提出的支持向量機算法來對混沌時間序列進行研究。支持向量機是一種機器學習算法
3、，最早被應用于分類研究，近些年才被學者引入到了預測領域，雖然一些學者對支持向量機算法贊賞有加，但究竟其預測效果如何，并沒有一個統(tǒng)一的說法?；诖吮疚倪x用支持向量機預測算法構建混沌時間序列預測模型。應用該模型對3種典型混沌時間序列進行預測研究，并與經(jīng)典的BP神經(jīng)網(wǎng)絡預測模型和RBF神經(jīng)網(wǎng)絡預測模型進行了對比分析。研究結果表明，雖然SVM算法預測具有較高的精度，但對于不同的混沌時間序列，SVM算法預測精度不同。對于有些混沌時間序列SVM的預測精度比BP和RBF預測算法的預測精度高，所以SVM預測算法并不適用于所有的混沌系統(tǒng)預測。本文安排如下：
4、在第一章中，說明了混沌時間序列預測的研究背景和發(fā)展，系統(tǒng)闡述了支持向量機研究現(xiàn)狀以及在混沌時間序列預測上的研究進展。第二章，介紹混沌時間序列的理論基礎以及相空間技術。第三章，構建支持向量機的模型，并且選擇合適的參數(shù)C和g。第四章，在Matlab環(huán)境中對三種典型的混沌時間序列進行預測，并對其結果進行分析。第五章，構建BP和RBF神經(jīng)網(wǎng)絡預測模型，并將其預測結果與SVM算法預測結果進行比較。通過分析比較，發(fā)現(xiàn)在對Lorenz混沌時間序列的預測上，采用SVM算法預測精度最高。而在對Henon和Logistic混沌時間序列預測時，RBF算法表現(xiàn)出
5、的效果是最好的。關鍵詞預測混沌理論混沌時間序列支持向量機IAbstractAbstractChaostimeseriespredictionistheimportantresearchfieldandhotspotsintoday'ssociety.Chaostimeseriespredictioniswidelyusedinnaturalscienceandsocialscience.Intheelectronicagainst,hydrologicalforecasting,imageprocessing,iceageforecast
6、,sunspotsandstockprices,etcofprediction.Chaostimeseriespredictionhasveryimportantpracticalapplicationvalueandsignificance.Theresearchesofchaotictimeseriespredictionmethodaremany,butthereisalsoresearchimperfect.Thispaperputforwardinrecentyearstheselectionalgorithmofsupport
7、vectormachinetothechaotictimeseriesforecast.Thealgorithmofsupportvectormachineusedinclassification,wasjustrecentlyscholarsintothepredictionfield,whattheforecasteffectisnotaunifiedpaperchoosesupportvectormachineforecastingalgorithmconstructchaotictimeseriesforecastingmodel
8、.Usethepredictionmodelofthethreekindsoftypicalchaotictimeseriespredictionresearch,andcompareditt
