第1章緒論1
1.1研究背景及意義1
1.2多元混沌時間序列特征分析基本方法3
1.2.1多元混沌時間序列的特征提取方法3
1.2.2多元混沌時間序列的特征選擇方法4
1.3主要研究內容及結構5
參考文獻6
第2章混沌時間序列的特征選擇方法8
2.1特征選擇方法概述8
2.2互信息分步式特征選擇算法12
2.2.1k-近鄰互信息估計12
2.2.2分步式特征選擇算法13
2.2.3分步式算法用于RBF網絡隱層節(jié)點選擇16
2.2.4仿真實例17
2.3基于相對變化面積的灰色關聯(lián)模型20
2.3.1模型建立20
2.3.2基本性質23
2.3.3基于集合思想的特征選擇及預測模型23
2.3.4仿真實例25
2.4基于向量的灰色關聯(lián)模型27
2.4.1基于向量的改進灰色關聯(lián)模型27
2.4.2基本性質30
2.4.3仿真實例31
參考文獻33
第3章混沌時間序列的因果關系分析方法35
3.1混沌時間序列的因果關系分析方法概述35
3.1.1Granger因果關系分析35
3.1.2基于信息理論的因果分析方法39
3.1.3基于狀態(tài)空間的因果分析方法40
3.2混沌時間序列的因果關系分析方法對比43
3.3基于HSIC-Lasso的Granger因果關系分析模型45
3.3.1Hilbert-Schmidt獨立性準則46
3.3.2HSIC-Lasso模型46
3.3.3基于HSIC-Lasso的Granger因果關系分析47
3.3.4仿真實例50
3.4基于HSIC-GLasso的Granger因果關系分析模型56
3.4.1HSIC-GLasso模型56
3.4.2基于HSIC-GLasso的Granger因果關系分析58
3.4.3仿真實例58
參考文獻65
第4章混沌時間序列的分解方法與組合預測模型68
4.1混沌時間序列經驗模態(tài)分解方法概述68
4.1.1集成經驗模態(tài)分解70
4.1.2完整集成經驗模態(tài)分解71
4.1.3具有自適應噪聲的完整集成經驗模態(tài)分解72
4.2基于經驗模態(tài)分解的組合預測模型74
4.2.1基本算法74
4.2.2基于EEMD和ESN的組合預測模型76
4.2.3基于EEMD-PE和ESN的組合預測模型76
4.2.4仿真實例79
4.3基于兩層分解技術的組合預測模型83
4.3.1基本算法83
4.3.2基于兩層分解技術和BP神經網絡的組合預測模型88
4.3.3仿真實例90
參考文獻96
第5章腦電時間序列的特征提取方法與分類模型97
5.1腦電時間序列特征提取方法概述97
5.2腦電時間序列混合特征提取算法98
5.2.1自回歸模型98
5.2.2小波變換和小波包變換99
5.2.3樣本熵101
5.2.4混合特征提取算法101
5.2.5仿真實例103
5.3集成極限學習機分類模型106
5.3.1極限學習機的基本原理106
5.3.2基于線性判別分析的集成極限學習機模型107
5.3.3仿真實例109
5.4基于互信息的多元腦電時間序列特征提取算法112
5.4.1基于互信息的多元時間序列特征提取112
5.4.2基于類可分離性和變量可分離性的特征選擇113
5.4.3仿真實例114
參考文獻119