資源描述：
《rbf-ar模型在非線性時間序列預(yù)測中的應(yīng)用》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、------------------------------------------------------------------------------------------------RBF-AR模型在非線性時間序列預(yù)測中的應(yīng)用第３０卷第６期２０１０年６月文章編號：１０００－６７８８（２０１０）０６－１０５５－０７Ｓｙｓｔｅｍｓ系統(tǒng)工程理論與實踐Ｅｎｇｉｎｅｅｒｉｎｇ—Ｔｈｅｏｒｙ＆Ｐｒａｃｔｉｃｅ中圖分類號：ＴＰｌ８文獻標(biāo)志碼：ＡＶ０１．３０，Ｎｏ．６Ｊｕｎｅ，２０１０ＲＢＦ—ＡＲ模型在非線性時間序列預(yù)測中的應(yīng)用甘敏ｔ，彭輝－，陳曉紅２（
2、１．中南大學(xué)信息科學(xué)與工程學(xué)院，長沙４１００８３；２．中南大學(xué)商學(xué)院，長沙４１００８３）摘要研究了ＲＢＦ－ＡＲ模型在非線性時間序列中的建模和預(yù)測問題，并把它與其它一些新近提出的模型或方法加以了比較．一種結(jié)構(gòu)化非線性參數(shù)優(yōu)化方法用來辨識此模型．?dāng)?shù)值實驗和比較研究表明采用結(jié)構(gòu)化非線性參數(shù)優(yōu)化方法的ＲＢＦ．ＡＲ模型在預(yù)測精度上要大大優(yōu)于其它一些模型或方法．關(guān)鍵詞ＲＢＦ網(wǎng)絡(luò)；ＲＢＦ—ＡＲ模型；時間序列預(yù)測ＲＢＦ－ＡＲｍｏｄｅｌ－ｂａｓｅｄｎｏｎｌｉｎｅａｒｔｉｍｅｓｅｒｉｅｓｐｒｅｄｉｃｔｉｏｎ———————————————————————————————
3、———————------------------------------------------------------------------------------------------------ＧＡＮＭｉｎｌ，ＰＥＮＧＨｕｉｌ，ＣＨＥＮＸｉａｏ－ｈｏｎ９２（１．ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＣｅｎｔｒａｌＳｏｕｔｈＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ４１００８３，Ｃｈｉｎａ；２．ＳｃｈｏｏｌｏｆＢｕｓｉｎｅｓｓ，ＣｅｎｔｒａｌＳｏｕｔｈＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ４１００８
4、３，Ｃｈｉｎａ）ｏｎＡｂｓｔｒａｃｔＴｈｉｓｐａｐｅｒｉｎｖｅｓｔｉｇａｔｅｄｎｏｎｌｉｎｅａｒｔｉｍｅｓｅｒｉｅｓｍｏｄｅｌｉｎｇａｎｄｆｏｒｅｃａｓｔｉｎｇｐｒｏｂｌｅｍｂａｓｅｄＡＲＲＢＦ－ｍｏｄｅｌ．ａｎｄｔｈｅｃｏｍｐａｒｉｓｏｎｓｂｅｔｗｅｅｎＲＢＦ－ＡＲｍｏｄｅｌｗｉｔｈｏｔｈｅｒｎｅｗｌｙｄｅｖｅｌｏｐｅｄｍｏｄｅｌｓ．Ａｓｔｒｕｃｔｕｒｅｄｎｏｎｌｉｎｅａｒｔｈｅｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎｍｅｔｈｏｄ（ＳＮＰＯＭ）ｗａｓａｐｐｌｉｅｄｔｏｅｓｔｉｍａｔｅｔｈｅｍｏｄｅｌ．Ｉｔｉｓｓｈｏｗｎｂｙｓｉｍｕｌａｔｉｏｎｔ
5、ｅｓｔｓａｎｄｃｏｍｐａｒｉｓｏｎｓｔｈａｔｔｈｅｍｏｄｅｌｓ．ｐｅｒｆｏｒｍａｎｃｅｏｆＲＢＦ－ＡＲｅｓｔｉｍａｔｅｄｂｙＳＮＰＯＭｉｓｓｕｐｅｒｉｏｒｔｏｏｔｈ——————————————————————————————————————------------------------------------------------------------------------------------------------ｅｒＫｅｙｗｏｒｄｓＲＢＦｎｅｔｗｏｒｋｓ：ＲＢＦ＇．ＡＲｍｏｄｅｌ；ｔｉｍｅｓｅｒｉｅｓｆｏｒｅｃａｓｔｉｎｇ１引言時間
6、序列分析在工程、經(jīng)濟和自然科學(xué)等領(lǐng)域是一個重要研究課題，它是一種用當(dāng)前和過去值對未來值進行預(yù)測的重要工具．由于實際系統(tǒng)的復(fù)雜性，在過去三十年中時間序列分析的理論和實踐已經(jīng)進入非線性時代．許多非線性時間序列模型被提出，比如雙線性模型、門限自回歸模型和指數(shù)自回歸模型．近些年來，作為一種普遍性的方法，神經(jīng)網(wǎng)絡(luò)已成為一種流行的函數(shù)逼近和時間序列預(yù)測的工具．其中，徑向基函數(shù)（Ｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎ，ＲＢＦ）網(wǎng)絡(luò)由于其簡單的結(jié)構(gòu)、非線性逼近的精度和快速學(xué)習(xí)的能力得到了廣泛的青睞［１－－３】．一些新的變體或模型也被大量提出，如Ｒｏｊａｓ等提出了帶
7、回歸權(quán)重的歸一化偽高斯徑向基網(wǎng)絡(luò)ｗｅｉｇｈｔｓ）模型【４】＇與傳統(tǒng)的ＲＢＦ網(wǎng)絡(luò)相比得到了更好的預(yù)測精度．Ｃｈｅｎ等提出了靈活神經(jīng)樹（Ｆｌｅｘｉｂｌｅｎｅｕｒａｌｔｒｅｅ，ＦＮＴ）模型【５】＇這種模型可以自動的選擇合適的輸入（ＮｏｒｍａｌｉｚｅｄＰＧ．ＲＢＦｎｅｔｗｏｒｋｗｉｔｈｒｅｇｒｅｓｓｉｏｎ變量．隨后，他們又提出了局部線性小波神經(jīng)網(wǎng)絡(luò)【６ｌ（Ｌｏｃａｌ——————————————————————————————————————-----------------------------------------------------------
8、-------------------------------------的預(yù)測精度吲．ｌｉｎｅａｒｗａｖｅｌｅｔｎｅｕｒ
