专利名称：基于二进制粒子群优化算法的混沌时间序列预测方法
技术领域：
本发明属于数字信号处理技术领域，特别是一种基于二进制粒子群优化算法的混沌时间序列预测方法。
背景技术：
在科学发展的早期，首先从线性关系来认识自然事物，较多地研究了事物间的线性相互作用。理论家们在对大自然中的许多现象进行探索时，总是力求在忽略非线性因素的前提下建立起线性模型，至少是力求对非线性模型做线性化处理，用线性模型近似或局部地代替非线性原型，或者借助于对线性过程的微小扰动来讨论非线性效应。但是在研究过程中有很多问题不是线性方法能够解决的。因此非线性科学也越来越收到人们的重视。 混沌系统的对初始值的敏感特性使得系统输入的变化能迅速地反映在输出中，这一特点表明混沌模型更接近现实世界的情况。所以混沌理论提供了一种适合现实世界的非线性建模方法。目前存在的混沌时间序列预测都是在相空间重构的基础上建立模型的，主要有全局预测法和局域预测法。全局预测是以全部的时间序列为参考来建立模型的，因此当有新信息加入时，整个模型的参数需要重新设定。并且全局预测法一般计算比较复杂，因此在一般实际应用中不使用这种模型。局域预测法是将相空间轨迹的最后一点作为中心点，把离中心点最近的若干轨迹点作为相关点，然后对这些相关点作出拟合，再估计下一点的走向。 局域预测法计算比较简单而且只选取当前信息作为参考点。通常使用一阶局域线性模型来预测混沌时间序列。一般的模型参数都是在相空间的基础上选取的。但是模型阶数和时间延迟参数的选取应该更适合混沌时间序列的预测。文献A new local linear prediction model for chaotic time series (Physics Letters A，2007，370 :465-470)提出模型参数可以取与相空间重构的参数不同的值。但是该文献是在嵌入维数取经验值的前提下，通过最小化预测标准误差来选取最优的时间延迟。理论上在嵌入维数确定的条件下得到的时间延迟是最优的。但是所得到的两个参数未必是最优的预测模型参数。
发明内容
为克服现有技术的缺陷和不足，本发明提供了一种基于二进制粒子群优化算法的混沌时间序列预测方法，通过构建混沌时间序列的局域线性模型，能够较精确的预测短期内的混沌时间序列，且可减少计算量。为实现上述目的，本发明采用如下技术方案一种基于二进制粒子群优化算法的混沌时间序列预测方法，步骤如下1)粒子群初始化初始化粒子的位置和速度，设定粒子群的规模；取粒子群个数为30-50，设总迭代次数为T ；使用BPSO算法，该算法可以由下式来表不Vi,(t+1) = WVi i ⑴ +C1I1lj- (t) [Pbest (t) -Xij (t) ] +C2T2 (t) [gbest (t) -Xij (t)]，
Xij. (t+1) = XijW+Vija+l).(1)其中t为粒子群的迭代次数，Xij (t)代表第i个粒子在第t次迭代的位置，Vij (t) 代表xu(t)取值为1的概率，j表示粒子位置的维数，C1和C2均为常数，通常情况下取值为 2，Γι和r2为在0和1之间的随机数，Pbest为粒子本身的最优值，gbest代表整个粒子群的全局最优值，w为影响算法收敛速度的权值，取w = wmax-(Wmax-Wmin) k/kmax.(2)在每一次的粒子群更新和迭代过程中，gbest通过搜索整个粒子群的迭代过程中的最小适应度函数值得到，Pbest则为单个粒子的整个迭代过程的最优参数值，整个迭代过程中通过比较每次迭代的适应度函数值来更新和Ptest ；2)由所得到随机参数对混沌时间序列进行相空间重构；相空间重构采用延迟坐标法，即对于一组已知的离散时间序列{x(n)，n = 1,2,1, N}，经过相空间重构后的延迟矢量表述为
权利要求
1. 一种基于二进制粒子群优化算法的混沌时间序列预测方法，步骤如下1)粒子群初始化初始化粒子的位置和速度，设定粒子群的规模；取粒子群个数为30-50，设总迭代次数为T ；使用BPSO算法，该算法可以由下式来表示
全文摘要
基于二进制粒子群优化算法的混沌时间序列预测方法，属数字信号处理技术领域。该方法将已知混沌时间序列进行相空间重构后，通过欧几里得度量选取被预测状态的邻近点，用局域线性模型训练邻近点数据后求出模型的系数参数，并用该模型预测混沌时间序列，通过重复该预测步骤或者改变预测步长可以预测较长的混沌时间序列。在本发明中局域线性模型的参数与相空间重构的参数取不同的值，该参数的最优值可以通过二进制粒子群优化算法寻找，并且取邻近点个数大于嵌入维数，尽量避免了假邻近点的干扰，从而提高了预测精度。
文档编号G06N3/12GK102208046SQ20111013059
公开日2011年10月5日 申请日期2011年5月19日 优先权日2011年5月19日
发明者崔笑笑, 江铭炎 申请人:山东大学