[发明专利]基于经验模态神经网络的混沌时间序列预测方法

权利要求书

1.一种基于经验模态神经网络的混沌时间序列预测方法，其特征在于包括如下步骤：

1）判别混沌时间序列是否存在混沌特性；

2）混沌时间序列的数据预处理；

3）混沌时间序列的相空间重构；

4）构建经验模态神经网络并训练经验模态神经网络模型；

5）利用训练好的经验模态神经网络模型对混沌时间序列进行预测。

2.根据权利要求1所述的基于经验模态神经网络的混沌时间序列预测方法，其特征在 于,所述步骤1）中，判别的方法为：计算序列的最大李雅普诺夫指数，如果最大李雅普诺夫 指数大于零，则混沌时间序列存在混沌特性。

3.根据权利要求2所述的基于经验模态神经网络的混沌时间序列预测方法，其特征在 于：所述步骤2）中，所述数据预处理包括数据清洗处理和数据归一化处理两部分。

4.根据权利要求3所述的基于经验模态神经网络的混沌时间序列预测方法，其特征在 于：所述数据清洗处理，用于对数据中的明显错误进行改正，对数据中的一些缺失进行填 补，在保证数据有效性和高质量的前提下，使数据完整、无缺、无错误；所述数据归一化处 理，用于消除各维数据数量级上的差别，避免因为输入输出数量级差别较大而造成预测误 差较大。

5.根据权利要求1所述的基于经验模态神经网络的混沌时间序列预测方法，其特征在 于：所述步骤3）中，所述相空间重构，是通过一维的时间序列再现高维的信息，对于混沌时 间序列，选定嵌入维数和延迟时间，则重构的相空间为 ，其中输入矩阵为，输出矩阵为。

6.根据权利要求5所述的基于经验模态神经网络的混沌时间序列预测方法，其特征在 于：所述嵌入维数的计算可以采用互信息方法，延迟时间的计算可以采用Cao方法。

7.根据权利要求6所述的基于经验模态神经网络的混沌时间序列预测方法，其特征在 于，所述步骤4）中，构建经验模态神经网络的方法如下：

40）将所述步骤3）中的相空间重构产生的输出矩阵进行经验模态分解，得到多个本 征模态分量和一个余量；

41）将输出矩阵与上述本征模态分量以及余量分别进行线性拟合得到多个线性拟 合函数，并将该拟合函数作为经验模态神经网络隐含层的激励函数；

42）将输出矩阵进行经验模态分解后得到的分量个数，作为经验模态神经网络隐含 层的层数。

8.根据权利要求7所述的基于经验模态神经网络的混沌时间序列预测方法，其特征在 于，所述步骤4）中，训练经验模态神经网络模型的步骤如下：

43）计算经验模态神经网络各层神经元（包括隐含层和输出层）的输入和输出；

44）利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数；

45）利用隐含层到输出层的连接权值、误差函数对输出层的各神经元的偏导数和隐含

层的输出，计算误差函数对隐含层的各神经元的偏导数；

46）利用输出层各神经元的偏导数和隐含层各神经元的输出，修正隐含层神经元

到输出层神经元之间的连接权值和阈值；

47）利用隐含层的各神经元的偏导数和输入层的各神经元的输入，修正输入层神经元

到隐含层神经元的之间的连接权值和阈值；

48）计算全局误差；

49）判断网络误差是否满足要求：当误差达到预设精度或学习次数大于设定的最大次 数，则结束算法，否则，选取下一个学习样本及对应的期望输出，返回进入下一轮学习。

9.根据权利要求8所述的基于经验模态神经网络的混沌时间序列预测方法，其特征在 于：

所述步骤5）包括以下步骤：51）将步骤3）中产生的输入矩阵和输出矩阵作为经 验模态神经网络的输入和输出；52）用输入和输出训练步骤4）中构建好的经验模态神经网 络模型；53）对预测集利用经验模态神经网络模型进行预测，将混沌时间序列的前个值 作为经验模态神经网络的输入，输出值再进行反归一化 后即是经验模态神经网络对下个值的预测值。