混沌時(shí)間序列特征分析及其應(yīng)用

第1章緒論1
1.1研究背景及意義1
1.2多元混沌時(shí)間序列特征分析基本方法3
1.2.1多元混沌時(shí)間序列的特征提取方法3
1.2.2多元混沌時(shí)間序列的特征選擇方法4
1.3主要研究內(nèi)容及結(jié)構(gòu)5
參考文獻(xiàn)6

第2章混沌時(shí)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(jì)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(wǎng)絡(luò)隱層節(jié)點(diǎn)選擇16
2.2.4仿真實(shí)例17
2.3基于相對變化面積的灰色關(guān)聯(lián)模型20
2.3.1模型建立20
2.3.2基本性質(zhì)23
2.3.3基于集合思想的特征選擇及預(yù)測模型23
2.3.4仿真實(shí)例25
2.4基于向量的灰色關(guān)聯(lián)模型27
2.4.1基于向量的改進(jìn)灰色關(guān)聯(lián)模型27
2.4.2基本性質(zhì)30
2.4.3仿真實(shí)例31
參考文獻(xiàn)33

第3章混沌時(shí)間序列的因果關(guān)系分析方法35
3.1混沌時(shí)間序列的因果關(guān)系分析方法概述35
3.1.1Granger因果關(guān)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(shí)間序列的因果關(guān)系分析方法對比43
3.3基于HSIC-Lasso的Granger因果關(guān)系分析模型45
3.3.1Hilbert-Schmidt獨(dú)立性準(zhǔn)則46
3.3.2HSIC-Lasso模型46
3.3.3基于HSIC-Lasso的Granger因果關(guān)系分析47
3.3.4仿真實(shí)例50
3.4基于HSIC-GLasso的Granger因果關(guān)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(guān)系分析58
3.4.3仿真實(shí)例58
參考文獻(xiàn)65

第4章混沌時(shí)間序列的分解方法與組合預(yù)測模型68
4.1混沌時(shí)間序列經(jīng)驗(yàn)?zāi)B(tài)分解方法概述68
4.1.1集成經(jīng)驗(yàn)?zāi)B(tài)分解70
4.1.2完整集成經(jīng)驗(yàn)?zāi)B(tài)分解71
4.1.3具有自適應(yīng)噪聲的完整集成經(jīng)驗(yàn)?zāi)B(tài)分解72
4.2基于經(jīng)驗(yàn)?zāi)B(tài)分解的組合預(yù)測模型74
4.2.1基本算法74
4.2.2基于EEMD和ESN的組合預(yù)測模型76
4.2.3基于EEMD-PE和ESN的組合預(yù)測模型76
4.2.4仿真實(shí)例79
4.3基于兩層分解技術(shù)的組合預(yù)測模型83
4.3.1基本算法83
4.3.2基于兩層分解技術(shù)和BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型88
4.3.3仿真實(shí)例90
參考文獻(xiàn)96

第5章腦電時(shí)間序列的特征提取方法與分類模型97
5.1腦電時(shí)間序列特征提取方法概述97
5.2腦電時(shí)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(shí)例103
5.3集成極限學(xué)習(xí)機(jī)分類模型106
5.3.1極限學(xué)習(xí)機(jī)的基本原理106
5.3.2基于線性判別分析的集成極限學(xué)習(xí)機(jī)模型107
5.3.3仿真實(shí)例109
5.4基于互信息的多元腦電時(shí)間序列特征提取算法112
5.4.1基于互信息的多元時(shí)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(shí)例114
參考文獻(xiàn)119