[发明专利]一种基于泛函网络的周期来压预测方法

权利要求书

1.一种基于泛函网络的周期来压预测方法，其特征在于，构造了基于小波和混沌优化的FN方法进行预测，其过程分为三步：首先利用小波分解技术将所选的样本集数据根据不同频率分解成不同的分量；分解后的各分量运用混沌理论进行相空间重构，重构分量使用FN模型进行训练，进而进行预测；最后，将各个FN模型得到的预测结果进行重组得到完整的预测周期来压荷载波形。

2.根据权利要求1所述的周期来压预测方法，其特征在于，该方法的第一步使用小波对液压支架周期来压荷载进行分解，用Mallat小波分析方法对支架来压荷载进行分解，使用matlab中dwt的正交小波基(db4)进行3级分解，共分解出4个分量，其中，a₁为低频分量(趋势项)，d₁，d₂，d₃为各等级高频分量，形成泛函分析的样本数据。

3.根据权利要求1所述的周期来压预测方法，其特征在于，该方法的第二步使用混沌理论对第一步的样本数据进行混沌性质的识别，通过计算混沌吸引子的维数和Lyapunov特征指数来识别其混沌性。

4.根据权利要求1所述的周期来压预测方法，其特征在于，是根据调整周期来判断其混沌性的，系统在T=16时更接近混沌；根据G-P算法计算出时间序列的关联维d，嵌入维数m=3；利用互信息法求得相空间重构的时间延迟                                                =2；利用小数据量法求得平均周期为T=15.44, Lyapunov指数为>0；即周期来压时间序列具有混沌特性。

5.根据权利要求1所述的周期来压预测方法，其特征在于，空间重构采用Takens定理，延迟时间（）和嵌入维（m）就可以将混沌时间序列进行重构如式：。

6.根据权利要求1所述的周期来压预测方法，其特征在于，该方法的第二步使用FN模型进行训练，使用小波分解后的4个时序序列波形进行预测，使用时序序列的前350个点作为训练集合，后75个点作为模拟对比集合，预测形成的各个频率的4条时序序列波进行小波重构后形成最终的周期来压荷载预测波。

7.根据权利要求1所述的周期来压预测方法，其特征在于，整个基于FN的周期来压预测流程。