基于随机映射神经网络的非线性时间序列建模预测研究

发布时间：2023-04-21 19:26

　　非线性时间序列建模预测是复杂系统数据驱动控制的一个重要研究方向,已被广泛应用于工业系统故障分析与预测、工业过程控制、金融市场数据预测、河流流量和降雨量预测、温度预测以及剩余使用寿命预测等多个领域。通过对复杂系统进行分析,建立相应的时间序列预测模型,能够使人们更深入的理解系统内部特性,并能够更好的实现系统控制与决策。随机映射神经网络作为神经网络的一种,具有更快的收敛速度,能够得到全局最优解,学习简便等优点,已在非线性时间序列预测中得到了较好的预测性能并取得了丰硕的成果。因此,本文针对非线性时间序列建模预测问题展开研究,对两种随机映射神经网络进行改进,优化网络结构,提高预测模型鲁棒性,建立优化组合模型。最后,将改进的随机映射神经网络应用于数控机床进给系统时间序列预测中。论文的创新性研究主要包括以下四方面:提出修正的正则化极端学习机预测模型框架。针对极端学习机预测时间序列时隐层节点数不易选择,时间序列经极端学习机进行高维空间映射后容易产生冗余信息和过拟合的问题,本文对极端学习机结构展开研究,通过对基于₁L范数、₁L和₂L混合范...

【文章页数】：133 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与研究意义
    1.2 课题来源
    1.3 国内外研究现状
    1.4 论文研究内容概要和结构安排
2 修正的正则化极端学习机预测方法
    2.1 引言
    2.2 状态空间重建
    2.3 正则化的极端学习机
    2.4 修正的正则化极端学习机预测模型
    2.5 仿真实例
    2.6 本章小结
3 鲁棒变分回声状态网络预测方法
    3.1 引言
    3.2 不同概率分布鲁棒性分析
    3.3 贝叶斯回归回声状态网络预测模型
    3.4 鲁棒变分回声状态网络预测模型
    3.5 仿真实例
    3.6 本章小结
4 组合随机映射神经网络预测方法
    4.1 引言
    4.2 多核极端学习机
    4.3 基于ADABOOST.RT的多核极端学习机预测模型
    4.4 算法评估
    4.5 双稀疏相关向量机模型
    4.6 多稀疏回声状态网络预测模型
    4.7 仿真实例
    4.8 本章小结
5 随机映射神经网络在数控机床进给系统时间序列预测中的应用
    5.1 引言
    5.2 数控机床进给系统运动数据采集
    5.3 进给系统时间序列
    5.4 修正的正则化极端学习机预测进给系统时间序列
    5.5 鲁棒回声状态网络预测进给系统时间序列
    5.6 组合随机映射神经网络预测进给系统时间序列
    5.7 不同模型预测进给系统时间序列分析
    5.8 本章小结
6 总结与展望
    6.1 全文总结
    6.2 创新点
    6.3 展望
致谢
参考文献
附录1 攻读博士学位期间发表的学术论文目录
附录2 攻读博士学位期间参加的科研项目



本文编号：3796108