基于組合核機器學習的混沌時間序列預測算法研究.pdf

1、隨著混沌理論和混沌應用技術的不斷發(fā)展，混沌時間序列的分析與預測已經(jīng)成為混沌信號研究領域的熱點。混沌應用技術的發(fā)展涉及諸多領域，包括：聲學、光學、化學、水文學、地震混沌特性、天氣預報的“蝴蝶效應”、以及股票市場的混沌特性等。
　　目前，混沌時間序列預測的方法主要有：全域法、局域法、基于最大Lyapunov指數(shù)法、非線性自適應濾波法和基于核機器學習方法等。在基于核機器學習算法中，支持向量機(Support Vector Machine

2、，SVM)和相關向量機(Relevance Vector Machine，RVM)由于魯棒性好，泛化性能強，收斂速度快，預測精度高，受到了國內(nèi)外學者廣泛關注。
　　在SVM和RVM中，單核函數(shù)由于自身存在的一些性質(zhì)，導致其不可能同時具有良好的泛化能力和學習能力，從而影響預測精度。本文利用全局核函數(shù)和局部核函數(shù)線性組合的方法構(gòu)造組合核函數(shù)，使其結(jié)合二者的優(yōu)點，同時獲得較好的泛化能力和學習能力。將該組合核函數(shù)運用于SVM和RVM對典型