×
温绍春;杨成雄

将集成学习框架应用于深度学习神经网络的非线性系统的时间序列分析和预测。 （英语） Zbl 1531.68117号

信息科学。 572, 167-181 (2021).
摘要：在本文中，我们设计了一个预测非线性系统时间序列值的框架。为了实现这一目标，许多关于机器学习甚至深度学习的应用和计划的研究成为当前的热门。首先，我们选择了四个非线性系统：包括一个四维混沌系统、Lorenz系统、Duffing振子和Rössler吸引子。该框架包括三个学习部分：基于生成性能模型（GPM）的长短期记忆（LSTM）、基于约束与控制模型（RCM）的集成学习和基于总体验证模型（OVM）的dirichlet分布的一维卷积神经网络（1-DCNN）。在学习步骤之前，我们使用K-means方法作为预处理和假设验证，以提高预测精度。在学习步骤后，我们构建了四个预测过程，即逐点生成法（PPGM）、序列完全生成法（SFGM）、顺序多重生成法（SMGM）和RCM和OVM改进法（IPRO），以预测时间步长的值。最后，我们使用平均误差（MAE）作为预测的标准，并通过比较平均标准偏差的误差区域来估计精度。

理学硕士：

68T07型 人工神经网络与深度学习
37M10个 动力系统的时间序列分析
62M10个 统计学中的时间序列、自相关、回归等（GARCH）
62M20型 随机过程推断和预测

关键词：

数据驱动预测;非线性系统;集成学习;长短期记忆;深度学习

软件：

阿达三角洲;亚当;阿达格拉德
PDF格式BibTeX公司 XML格式引用
\textit{S.-C.Wen}和\textit{C.-H.Yang}，信息科学。572167-181（2021年；Zbl 1531.68117）
全文： 内政部

参考文献：

[1] Yassen，M.T.，改良蔡氏电路系统的自适应控制和同步，应用。数学。计算。，135, 113-128 (2003) ·Zbl 1038.34041号
[2] 博尔赫斯，E。；Tsallis，C。；Ananos，G。；Oliverira，P.，混沌边缘逻辑映射的非平衡概率动力学，物理学。修订稿。，89, 1-4 (2002)
[3] J.Sun，G.Han，Y.Wang，膜电容器混沌系统的动力学分析及其图像加密应用，国际控制、自动化和系统杂志18（X）（2020）1-8。
[4] Yu，F。；李，L。；唐，Q。；蔡，S。；Song，Y。；Xu，Q.，基于混沌、自然和社会离散动力学的真随机数生成器综述，2019，1-10（2019）·Zbl 1453.65014号
[5] Wang，W。；赖，Y。；Grebogi，C.，非线性和复杂动力系统的基于数据的识别和预测，Phys。代表，644，1-76（2016）·Zbl 1359.70089号
[6] Pathak，J。；卢，Z。；亨特，B。；Girvan，M。；Ott，E.，使用机器学习复制混沌吸引子并从数据计算Lyapunov指数，混沌，27，1-13（2017）·Zbl 1390.37138号
[7] Oishi，S.，时滞Duffing方程精确周期解的数值包含，J.Compute。申请。数学。，372，第112620条pp.（2020）·兹比尔1484.34152
[8] Yalnáz，G。；Budanur，N.，《从持久性推断混沌流的符号动力学》，《混沌》，30，第033109页，（2020）·Zbl 1435.37023号
[9] Pathak，J。；Wikner，A。；Fussell，R。；Chandra，S。；亨特，B。；Girvan，M。；Ott，E.，《混沌过程的混合预测：结合基于知识的模型使用机器学习》，《混沌》，28，1-9（2018）
[10] Yu，H。；Zhao，N。；王，P。；陈，H。；Li，C.，混沌增强同步蝙蝠优化器，应用。数学。型号。，77, 1201-1215 (2020)
[11] 冯·T。；Yang，S。；Han，F.，利用小波变换和多模型混合方法预测混沌时间序列，振动工程，211983-1999（2019）
[12] 康茨，H。；施赖伯，T。；编辑。，《非线性时间序列分析》（2004），剑桥大学出版社：英国剑桥大学出版社·Zbl 1050.62093号
[13] Casdagli，M.，混沌时间序列的非线性预测，Physica D，35，335-356（1989）·Zbl 0671.62099号
[14] Tibshirani，R。；Walther，G。；Hastie，T.，通过缺口统计估算数据集中的簇数，英国皇家统计学会期刊B系列统计，方法论，63，411-423（2001）·Zbl 0979.62046号
[15] 杨，C。；Wu，H。；Su，S.，加密算法和无线图像传输系统在FPGA上的实现，IEEE Access，750513-50523（2019）
[16] Lee，J。；Wang，W。；哈鲁，F。；Sun，Y.，使用基于集成学习的模型进行可靠的太阳辐照度预测：比较研究，能源转换。管理。，208，第112582条pp.（2020）
[17] 刘，Y。；Cheng，T.，《利用开放大地测量学了解公共交通模式以促进公共交通规划》，《交通计量学A-交通科学》，第16期，第76-103页（2020年）
[18] Zhang，Y。；Gong，R.，偏微分方程反问题的二阶渐近正则化方法，计算。申请。数学。，375，第112798条pp.（2020）·Zbl 1435.65189号
[19] Mohamadi，A。；Shahgholi，M。；Ghasemi，F.，《使用多尺度方法的轴向移动薄圆柱壳的自由振动和稳定性》，麦加尼卡，54，2227-2246（2019）
[20] 杜佩，F。；Anthoine，S.，广义贪婪选择，应用。计算。哈蒙。分析。，49, 1-29 (2020) ·Zbl 1498.65090号
[21] 高，W。；苏，C.，基于粒子群优化的区块链金融产品盈利预测分析，J.Compute。申请。数学。，372，第112724条pp.（2020）·Zbl 1437.91462号
[22] 张，C。；Wu，W。；周，L。；程，H。；叶，X。；He，Y.，开发基于深度学习的回归方法，用于使用近红外高光谱成像测定干燥黑枸杞（Lycium ruthenicum Murr.）的化学成分，食品化学。，319，第126536条pp.（2020）
[23] 姚，X。；Wang，C.，基于部分配额的数据存储中的概率一致性保证，IEEE Trans。并行分配系统。，31, 1815-1827 (2020)
[24] 豪泽，M。；Fu，Y。；Phoha，S。；Ray，A.，长短期记忆符号序列的神经概率预测，ASME动态系统测量和控制事务杂志，140，第084502页，（2018）
[25] 杜奇，J。；哈赞，E。；Singer，Y.，在线学习和随机优化的自适应子梯度方法，《机器学习研究杂志》，12，2121-2159（2011）·Zbl 1280.68164号
[26] Dozat，T.，将Nesterov Momentum纳入Adam，ICLR研讨会（2016）
[27] D.Kingma，J.Ba，Adam：随机优化方法，arXiv:1412.6980v9[cs.LG]（2014）。
[28] M.Zeiler，Adadelta:自适应学习率方法，arXiv:1212.5701v1[cs.LG]（2012）。
[29] A.Graves，用递归神经网络生成序列，神经和进化计算，arXiv:1308.0850v5[cs.NE]（2014）。
[30] 《制药行业应用统计杂志》，1-19（2020）
[31] Wu，W。；王，C。；袁，C.，从抽样数据中进行确定性学习，神经计算，358456-466（2019）
[32] 班达拉，K。；Bergmeir，C。；Smyl，S.，《在相似序列组上使用递归神经网络预测时间序列数据库：聚类方法》，专家系统。申请。，140，第112896条pp.（2020）
[33] Utkin，L.，《用于分类的不精确的深层森林》，专家系统。申请。，141，第112978条pp.（2020）
[34] 阿格拉瓦尔，R。；Muchahary，F。；Tripathi，M.，用于电价预测的相关向量机和提升树的集合，Appl。能源，250，540-548（2019）
[35] 唐，S。；李毅，具有动态不确定性非线性系统的鲁棒自适应模糊反推输出反馈跟踪控制，科学与中国信息科学，53307-324（2010）·Zbl 1497.93134号
[36] 唐，S。；Min，X。；Li，Y.，控制增益函数未知的严格反馈非线性系统基于观测器的自适应模糊跟踪控制，IEEE Trans。赛博。，50, 3903-3913 (2020)
[37] 李晓健；杨广宏，一类互联非线性系统基于神经网络的自适应分散容错控制，IEEE神经网络与学习系统事务，29144-155（2018）
[38] 宋金耀，一类具有未知时滞交互故障的非线性大系统基于神经网络的分散容错控制，富兰克林工程与应用数学杂志，351615-1629（2014）·Zbl 1395.93079号
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。