基于带回归权重RBF-AR模型的混沌时间序列预测

基于带回归权重RBF-AR模型的混沌时间序列预测1、Introduction混沌时间序列在实际应用中普遍存在，如气象、经济、金融等方领域。因其不确定性及难以找到规律性的特点，使得混沌预测成为研究热点之

RBF-AR 基于带回归权重模型的混沌时间序列预测 1、Introduction 混沌时间序列在实际应用中普遍存在，如气象、经济、金融等方领 域。因其不确定性及难以找到规律性的特点，使得混沌预测成为研究热 点之一。RBF-AR(NN)-LP模型是一种有效的混沌预测方法，本文希望基 于该模型来对混沌时间序列进行预测。 2、Methodology 2.1RBF-AR(NN)-LP模型 RBF-AR(NN)-LP模型是将RBF神经网络和自回归模型相结合的方 法，主要思想是将时间序列的前几个数据用自回归模型进行拟合，然后 将残差项送入RBF神经网络进行非线性拟合。预测时，将自回归模型预 测值和RBF神经网络预测值相加得到最终预测值。具体流程如下图所 示： (图片) 在模型中，每个RBF神经元对应一个径向基函数，其中径向基函数 的参数通过K-means聚类算法学习得到。 2.2数据预处理 混沌时间序列的预处理是十分重要的，通常需要进行以下操作： （1）降维：对数据进行特征提取，将高维数据降为低维，有利于模 型快速学习； （2）标准化：将数据转化为均值为0、方差为1的标准正态分布； （3）窗口处理：按照一定的时间窗口进行数据的分割，使数据满足 平稳性、线性性等假设。 3、实验结果与分析