毕业设计-基于小波消噪和SVM模型的混沌序列预测研究.pptVIP

基于小波消噪和LS-SVM的混沌时间序列预测模型研究;主要内容;第一章 绪论;第一章要点： 1.了解了时间序列的历史背景； 2.接触了时间序列及时间序列预测法的概念； 3.认识了小波变换和小波分析概念、发展和应用，初步知道了小波消噪的含义； ;本章主要内容： 结合以往所学，推出支持向量机的概念，建立支持向量回归的基本思想，简介了损失函数和基于小波框架的核函数，了解掌握最小二乘支持向量机的概念和应用，初步涉及基于于小波消噪和LS-SVM的混沌时间序列预测模型架构，为下一步模型的建立做准备。;;2.支持向量机回归的基本思想 有助于理解最小二乘支持向量机的回归函数和回归模型。 3.损失函数 线性不敏感损失函数和Huber损失函数 4.基于小波框架的核函数 核函数的引入使得操作可以直接在输入空间进行而不必在潜在的高维特征空间进行，因此，内积不必在高维空间计算，这种方式可以避免维数灾难。 5.最小二乘支持向量机 回归函数，线性回归模型，非线性回归模型 ;6. 基于小波消噪和LS-SVM的混沌时间序列预测模型;;第三章：混沌时间序列预测的数学模型及实验结果;2 混沌时间序列的预测数学模型;2.相关数据准备; 当k值增大时，残差将减少，因此可以找到一个最 优值p使得FPE达到最小。; 得到学习样本之后，就可对支持向量机进行训练，得到的回归函数：;一般得到第 步的支持向量机预测模型为：;3.实验结果;图2：Mackey-Glass混沌时间序列预测误差;图3：Mackey-Glass混沌时间序列预测均方误差;4 本章小结 本章在总结联系以往所学的基础上，通过相关事先数据准备，得到用于向量机学习的样本后，对支持向量机进行训练，得到回归函数，从而得到模型，仿真后得到实验研究结果。数据结果表明，基于小波消噪和LS-SVM的混沌时间序列预测模型具有较好的预测效果。;结语