论文部分内容阅读
近年来,作为非线性信号处理的重要手段,基于再生核希尔伯特空间(Reproducing Kernel Hilbert Space,RKHS)的核学习方法得到广泛关注。核学习方法通过非线性映射,将输入样本嵌入到高维特征空间,即在高维特征空间中对非线性数据进行线性处理,巧妙的将非线性问题映射为高维特征空间中的线性问题,其广泛应用于模式识别以及其他非线性回归建模中,如何提高工程应用中时间序列的预测精度并且满足实时性的要求具有重要意义。本文主要研究了基于核自适应滤波算法的实测交通流量预测以及网络流时间序列预测,基于核自适应滤波算法的自适应特性,能够满足对交通流量以及网络流量预测的实际需求,且能提高预测精度。本文的研究内容为:(1)研究支持向量机(Support Vector Machine,SVM)、核极限学习机(Kernel Extreme Learning Machine,KELM)等建模方法,分析其基本理论与算法基础。(2)针对Henon、Mackey-Glass混沌时间序列预测,为进一步提高预测精度,研究基于特征提取技巧的KPCA-KELM(Kernel Principal Component Analysis,核主元分析)方法及核偏最小二乘(Kernel Partial Least Square,KPLS)方法。为衡量其有效性,在同等条件下,还与SVM、LSSVM、KPCA-SVM、KPCA-LSSVM、KELM方法进行对比。实验结果表明,KPCA-KELM、KPLS方法均能取得不错的预测效果。(3)为满足实际应用中对预测精度以及实时性的要求,提出一类基于在线核自适应滤波的预测模型,包括核递推最小二乘(Kernel Recursive Least Squares,KRLS)和核最小均方(Kernel Least Mean Square,KLMS)方法。(4)将KRLS、KLMS方法应用于实测的短时交通流量及贝尔计算实验室记录的基于BC-pAug89.TL、BC-pOct89.TL和BC-Oct89Ext.TL数据集的网络流量时间序列预测,为验证所用方法的有效性,在同等条件下,与KPLS、KPCA-KELM等方法的预测结果进行对比。实验结果表明,所提出的KRLS方法、KLMS方法能有效改善预测精度,加快收敛速度。进一步与现有相关文献进行对比,同等条件下,KRLS方法的预测结果略优于基于改进T-S模糊神经网络以及采用变分高斯过程的短时交通流量预测结果。