基于极端学习机的多变量混沌时间序列预测OA北大核心CSCDCSTPCD
Multivariate chaotic time series prediction based on extreme learning machine
针对多变量混沌时间序列预测问题，提出了一种基于输入变量选择和极端学习机的预测模型．其基本思想是对多变量混沌时间序列进行相空间重构后，采用互信息方法选择与预测输出统计相关最高的重构输入变量，借助极端学习机的通用逼近能力建立多变量混沌时间序列的预测模型．为进一步提高预测精度，采用模型选择算法选择具有最小期望风险的极端学习机预测模型．基于Lorenz，R6ssler多变量混沌时间序列及R6ssler超混沌时间序列的仿真结果证明所提方法的有效性．
For multivariate chaotic time series prediction problem, a prediction based on input variable selection and extreme learning machine is proposed in this paper. The multivariate chaotic time series is reconstructed in phase space, and a mutual information based method is used to select the input variables, which have high statistics information with the output variables. The extreme learning machine is conducted to model the multivariate chaotic time series i…查看全部>>
王新迎;韩敏
大连理工大学电子信息与电气工程学部,大连116023大连理工大学电子信息与电气工程学部,大连116023
信息技术与安全科学
混沌时间序列预测输入变量选择极端学习机模型选择
chaotic time series predictioninput variables selectionextreme learning machinemodel selectionPACS: 05.45.Tp
《物理学报》 2012 (8)
多元时间序列的特征表达及模型优化
97-105,9
国家自然科学基金（批准号：61074096）资助的课题.
评论