论文部分内容阅读
时间序列的建模具有重要的意义。实际中普遍存在的是各种各样的复杂时间序列，经典时序建模方法在其建模过程遇到了困难，各种人工智能方法应该可以在时序建模中扮演重要角色。本文在简要评述现有时序智能建模方法的基础上，着重研究了下面一些内容： (1)ANN时序自回归模型输入模式的研究。 用ANN建立非线性时间序列自回归预测模型时，其输入模式的确定是一个重要方面，事关网络是否收敛和泛化特性的好坏。输入模式包括输入维数和输入延时两个参数。目前的流行做法都主要是把非线性动力学理论引入来确定此两个参数，但尚无统一的结论。本文对此做了深入考查和研究，结合非线性动力学理论，在实验和分析的基础上，提出了关于ANN时序自回归模型输入模式确定的新结论。这一结论是：ANN输入维数可确定为非线性系统关联维数向上取整，输入延时不必取相空间重构的最佳延时、取1最为合理。这部分内容是本文的第2章。@@ (2)ANN时序模型泛化特性改善方法的研究 ANN时序模型，不管是回归模型还是自回归模型，都存在一个泛化的问题。泛化特性是ANN时序模型最重要的特性，也是所有ANN的一个共性问题。它不仅与ANN的输入有关，还与ANN的其他要素有关。目前ANN泛化特性改善方法研究的文献已经很多，但泛化问题仍十分突出。本文归纳了现有的ANN泛化特性改善方法，指出了现有方法的不足，提出了以优化神经元激活函数为核心的ANN泛化特性改善策略，并将这一策略与ANN构造性设计方法相结合，提出了能优化激活函数类型的基于GA和GP的ANN构造性设计原理和方法。经实验证明，总体上说，提出的方法较传统ANN方法大大改善了ANN的泛化特性。这是本文的第3章。
(3)基于GA的传统时序模型拓展方法及应用研究 传统的经典时序模型，不管是回归模型还是自回归模型，很多参数都是人为确定或者为常数，如多项式回归模型的各项幂次、指数自回归模型中的指数人为确定，线性AR模型的各项幂次为一个常数1。本文提出了将这些传统模型的这些常数拓展为一个变参，然后在一定范围内通过优化来确定参数的建模方法。这样的方法，在两种实际问题中的应用取得较好效果，表明可以提高模型的精度。这部分的内容是本文的第4章。
另外，本文的第5章初步探讨了一个智能时序建模系统的设计问题，提出了作者自己的一些思路。本文第6章给出了全文的结论与展望。