基于模糊神经网络的混沌时间序列预测

【摘要】：本论文在混沌动力学和模糊系统理论的基础上,主要对用于预测非线性时间序列的模糊神经网络的建模和学习方法进行了研究,具体内容及结果如下: (1) 提出了一种模糊神经网络的混合BP学习方法。该方法能够直接从数据中提取、优化模糊规则,用BP算法调整各变量隶属函数参数和网络权值。 (2) 用遗传算法优化模糊神经网络时,提出了一种新的模糊规则编及解码方法。该方法与模糊规则的二进制编码与多值编码相比,分别数百倍和数倍地减少了染色体的长度,缩短了运算所需要的时间。 (3) 对采用改进遗传算法优化模糊神经网络规则库和参数的预测精度较低的原因进行了分析。主要问题是需要调整的参数较多,每代运算量较大,所需时间较长,而优化网络时设置的代数太少,在有限的代数中,不能达到系统最优解。 (4) 把GA和BP算法相结合用于优化模糊神经网络的结构和参数。与混合BP算法相比,不会丢失模糊规则的重要信息,一定能得到最优模糊规则库,加快了收敛速度,避免了BP算法容易陷入局部极小的缺陷;与纯粹的遗传算法相比,减少了参数优化所需的时间。 (5) 使用以上几种算法优化得到的模糊神经网络,对Lorenz混沌时间序列进行了预测。仿真结果得到了用GA和BP相结合优化的系统预测精度最高,混合BP学习算法次之,遗传算法优化的系统预测精度最低的结论。