小型微型计算机系统
小型微型計算機繫統
소형미형계산궤계통
MINI-MICRO SYSTEMS
2013年
8期
1848-1851
,共4页
吴春国%朱世钊%汪秉宏%关昱航
吳春國%硃世釗%汪秉宏%關昱航
오춘국%주세쇠%왕병굉%관욱항
正规正交分解%径向基函数%神经网络%非线性时间序列%预测
正規正交分解%徑嚮基函數%神經網絡%非線性時間序列%預測
정규정교분해%경향기함수%신경망락%비선성시간서렬%예측
proper orthogonal decomposition%radial basis function%neural networks%nonlinear time series%prediction
基于正规正交分解(Proper Orthogonal Decomposition,POD)提出一种适用于非线性时间序列预测的径向基函数(Radial Basis Function,RBF)神经网络模型-POD-RBF神经网络模型.该模型在选取中心时考虑了时间序列数据之间的时序关系,并且使得中心的选取具有并行性.股票价格预测问题的模拟结果表明,POD-RBF神经网络可以有效地用于非线性时间序列预测问题.与基于硬C均值(Hard C-means,HCM)聚类的RBF神经网络(HCM-RBF)和基于正交最小二乘(Orthogonal LestSquare,OLS)的RBF神经网络(OLS-PBF)相比,POD-RBF神经网络不仅具有更好的训练、预测精度,而且具有更好的收敛稳定性、更好的泛化能力和抵抗噪声干扰的能力.
基于正規正交分解(Proper Orthogonal Decomposition,POD)提齣一種適用于非線性時間序列預測的徑嚮基函數(Radial Basis Function,RBF)神經網絡模型-POD-RBF神經網絡模型.該模型在選取中心時攷慮瞭時間序列數據之間的時序關繫,併且使得中心的選取具有併行性.股票價格預測問題的模擬結果錶明,POD-RBF神經網絡可以有效地用于非線性時間序列預測問題.與基于硬C均值(Hard C-means,HCM)聚類的RBF神經網絡(HCM-RBF)和基于正交最小二乘(Orthogonal LestSquare,OLS)的RBF神經網絡(OLS-PBF)相比,POD-RBF神經網絡不僅具有更好的訓練、預測精度,而且具有更好的收斂穩定性、更好的汎化能力和牴抗譟聲榦擾的能力.
기우정규정교분해(Proper Orthogonal Decomposition,POD)제출일충괄용우비선성시간서렬예측적경향기함수(Radial Basis Function,RBF)신경망락모형-POD-RBF신경망락모형.해모형재선취중심시고필료시간서렬수거지간적시서관계,병차사득중심적선취구유병행성.고표개격예측문제적모의결과표명,POD-RBF신경망락가이유효지용우비선성시간서렬예측문제.여기우경C균치(Hard C-means,HCM)취류적RBF신경망락(HCM-RBF)화기우정교최소이승(Orthogonal LestSquare,OLS)적RBF신경망락(OLS-PBF)상비,POD-RBF신경망락불부구유경호적훈련、예측정도,이차구유경호적수렴은정성、경호적범화능력화저항조성간우적능력.
