http://www.paper.edu.cn
- 1 -
基于小波变换和 Volterra 滤波器的混沌时间序列预测
1
葛根,王洪礼,许佳
天津大学机械学院,天津(300072)
E-mail:gegenroot@eyou.com
摘 要:本文比较了两种混沌时间序列的全局预测模型-RBF 神经网络模型和 Volterra 自适
应滤波器模型在无噪声和含噪声的混沌时间序列的结果。随后应用小波分析对含噪声的混沌
时间序列进行了分解,对所得各层混沌的系数序列进行了 Volterra 自适应滤波器预测,对随
机的各层系数用等均值方差的随机序列代替预测值,最后用小波逆变换合成各层小波系数得
出最终结果,事实证明该方法对提高预测精度有效。
关键词:混沌时间序列,RBF 神经网络,Volterra 自适应滤波,小波变换,预测
0. 引言
混沌时间序列是最近多个领域内的热点研究问题,水文,经济,物理各个学科的学者们
对时间序列的混沌验证,混沌参数的确认和预测做了大量的工作
[1 8]
。混沌时间序列的研究
目的主要是预测系统未来一段时间内的走向,为决策提供理论依据。目前的预测方法主要分
为全局预测和局域预测,部分学者
[4 7]
认为局域预测的精度较高,而另一些学者
[8 9]−
认为全
局预测模型的表现更好。但是目前的两种预测方法只对“光滑”的混沌吸引子一般预测结果良
好,但是对很多“真实”的时间序列,比如河流流量、股票价格、石油价格、外汇兑换率等数
据的预测结果不是很理想,原因是这些时间序列中含有噪声成分,干扰了预测模型的系数确
定。
本文比较了 RBF 神经网络和 Volterra 自适应滤波器两种全局模型对混沌时间序列的预
测结果,并且对含有噪声的混沌时间序列用小波分析分解成五层,对其中“光滑”的系数层用
Volterra 自适应滤波器进行预测,“随机”的几层的预测值用同均值和方差的随机时间序列替
代,最终利用小波逆变换合成最终的预测结果。
1. 混沌时间序列的分析
Takens验证了混沌时间序列可以在相空间内重构为和原系统拓扑等价的吸引子。
i
X 是
重构相空间内的矢量,可以表达为:
(1) (2)
( , ,... )
im im i
xx
ττ
−− −−
(1)其中
i
是时间
i
tit=∆时的
值,
t∆ 是采样时间, m 是嵌入维数,
是延迟时间。
混沌时间序列分析的主要工作是(1)时间序列的混沌特性验证,(2)计算重构相空间的
参数,(3)和时间序列的预测。确认时间序列的混沌特性的方法很多
[15 20]−
,主要通过计算
李雅普诺夫指数(Wolf 算法,小数据量算法等),以及时间的关联维数(G-P 算法等),
Kolmogorov 测度熵等;计算重构相空间的参数,嵌入维数 m 的方法有:虚假邻域法,Cao
氏方法;计算延迟时间
的方法有:自相关法,互信息法,平均位移法,去偏复自相关法等。
还有同时计算 m 和
的 C-C 方法。时间序列的预测方法主要有局域预测(零阶平均预测,
加权一阶预测,多项式拟合等);全局预测(各种神经网络模型和自适应滤波器模型等)。
1
本课题得到教育部博士点基金 (社会经济系统中的非线性动力学,20040056041)的资助。