非線性時(shí)間序列建模預(yù)測是復(fù)雜系統(tǒng)數(shù)據(jù)驅(qū)動(dòng)控制的一個(gè)重要研究方向,已被廣泛應(yīng)用于工業(yè)系統(tǒng)故障分析與預(yù)測、工業(yè)過程控制、金融市場數(shù)據(jù)預(yù)測、河流流量和降雨量預(yù)測、溫度預(yù)測以及剩余使用壽命預(yù)測等多個(gè)領(lǐng)域。通過對(duì)復(fù)雜系統(tǒng)進(jìn)行分析,建立相應(yīng)的時(shí)間序列預(yù)測模型,能夠使人們更深入的理解系統(tǒng)內(nèi)部特性,并能夠更好的實(shí)現(xiàn)系統(tǒng)控制與決策。隨機(jī)映射神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)的一種,具有更快的收斂速度,能夠得到全局最優(yōu)解,學(xué)習(xí)簡便等優(yōu)點(diǎn),已在非線性時(shí)間序列預(yù)測中得到了較好的預(yù)測性能并取得了豐碩的成果。因此,本文針對(duì)非線性時(shí)間序列建模預(yù)測問題展開研究,對(duì)兩種隨機(jī)映射神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),提高預(yù)測模型魯棒性,建立優(yōu)化組合模型。最后,將改進(jìn)的隨機(jī)映射神經(jīng)網(wǎng)絡(luò)應(yīng)用于數(shù)控機(jī)床進(jìn)給系統(tǒng)時(shí)間序列預(yù)測中。論文的創(chuàng)新性研究主要包括以下四方面:提出修正的正則化極端學(xué)習(xí)機(jī)預(yù)測模型框架。針對(duì)極端學(xué)習(xí)機(jī)預(yù)測時(shí)間序列時(shí)隱層節(jié)點(diǎn)數(shù)不易選擇,時(shí)間序列經(jīng)極端學(xué)習(xí)機(jī)進(jìn)行高維空間映射后容易產(chǎn)生冗余信息和過擬合的問題,本文對(duì)極端學(xué)習(xí)機(jī)結(jié)構(gòu)展開研究,通過對(duì)基于₁L范數(shù)、₁L和₂L混合范...

【文章頁數(shù)】：133 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與研究意義
    1.2 課題來源
    1.3 國內(nèi)外研究現(xiàn)狀
    1.4 論文研究內(nèi)容概要和結(jié)構(gòu)安排
2 修正的正則化極端學(xué)習(xí)機(jī)預(yù)測方法
    2.1 引言
    2.2 狀態(tài)空間重建
    2.3 正則化的極端學(xué)習(xí)機(jī)
    2.4 修正的正則化極端學(xué)習(xí)機(jī)預(yù)測模型
    2.5 仿真實(shí)例
    2.6 本章小結(jié)
3 魯棒變分回聲狀態(tài)網(wǎng)絡(luò)預(yù)測方法
    3.1 引言
    3.2 不同概率分布魯棒性分析
    3.3 貝葉斯回歸回聲狀態(tài)網(wǎng)絡(luò)預(yù)測模型
    3.4 魯棒變分回聲狀態(tài)網(wǎng)絡(luò)預(yù)測模型
    3.5 仿真實(shí)例
    3.6 本章小結(jié)
4 組合隨機(jī)映射神經(jīng)網(wǎng)絡(luò)預(yù)測方法
    4.1 引言
    4.2 多核極端學(xué)習(xí)機(jī)
    4.3 基于ADABOOST.RT的多核極端學(xué)習(xí)機(jī)預(yù)測模型
    4.4 算法評(píng)估
    4.5 雙稀疏相關(guān)向量機(jī)模型
    4.6 多稀疏回聲狀態(tài)網(wǎng)絡(luò)預(yù)測模型
    4.7 仿真實(shí)例
    4.8 本章小結(jié)
5 隨機(jī)映射神經(jīng)網(wǎng)絡(luò)在數(shù)控機(jī)床進(jìn)給系統(tǒng)時(shí)間序列預(yù)測中的應(yīng)用
    5.1 引言
    5.2 數(shù)控機(jī)床進(jìn)給系統(tǒng)運(yùn)動(dòng)數(shù)據(jù)采集
    5.3 進(jìn)給系統(tǒng)時(shí)間序列
    5.4 修正的正則化極端學(xué)習(xí)機(jī)預(yù)測進(jìn)給系統(tǒng)時(shí)間序列
    5.5 魯棒回聲狀態(tài)網(wǎng)絡(luò)預(yù)測進(jìn)給系統(tǒng)時(shí)間序列
    5.6 組合隨機(jī)映射神經(jīng)網(wǎng)絡(luò)預(yù)測進(jìn)給系統(tǒng)時(shí)間序列
    5.7 不同模型預(yù)測進(jìn)給系統(tǒng)時(shí)間序列分析
    5.8 本章小結(jié)
6 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 創(chuàng)新點(diǎn)
    6.3 展望
致謝
參考文獻(xiàn)
附錄1 攻讀博士學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄
附錄2 攻讀博士學(xué)位期間參加的科研項(xiàng)目



本文編號(hào)：3796108