一、LS-SVM在混沌时间序列预测中的应用（论文文献综述）
孙江[1]（2021）在《海杂波背景下的混沌小信号检测方法研究》文中提出海杂波信号作为一类典型的雷达干扰回波,它是指海面雷达的后向散射回波,易受到各种外部自然因素影响,如风、潮汐、浪涌等,其物理机理复杂多变,非高斯、非线性和非平稳特性显着,容易对雷达目标检测造成干扰。随着海浪机理以及海杂波特性研究的深入,研究人员发现海杂波存在混沌特性。研究海杂波背景下的混沌小信号检测方法,对建立海洋安全观测监测、海面目标检测系统具有重要的理论研究和应用价值。为了提高海杂波背景下的混沌小信号检测模型检测精度,利用变分模态分解算法（VMD）弥补经验模态分解存在的模态混叠、虚假分量和端点效应缺陷,本文分别提出两种基于变分模态分解的海杂波去噪算法。为了弥补传统微弱信号检测方法在混沌背景下的检测能力较弱的缺陷,考虑到支持向量机算法（SVM）较擅长预测,引入寻优能力较佳的免疫算法（IA）,提出了一种基于IA-SVM模型的混沌小信号检测方法。从合理利用噪声角度出发,结合随机共振理论,利用寻优收敛性好的变种差分进化算法,提出了一种基于变种差分进化算法的随机共振混沌小信号检测方法。具体研究如下:为了分析海杂波的混沌特性,针对如何选择混沌系统相空间重构参数的问题,考虑到确定相空间参数（嵌入维m和时间延迟?）有两个主要研究方向,一是分别研究这两个参数,采用不同方法确定这两个参数,较为繁琐;二是研究嵌入窗?w。研究表明影响重构相空间质量的主要是联合嵌入维和嵌入窗宽。综合分析各类相空间参数确定方法结果基本一致,本文选用较为成熟的C-C法确定相空间嵌入窗,确定嵌入维为5,时间延迟为1。为了提高混沌小信号检测模型的检测精度,本文分别提出了基于VMD的海杂波混合去噪算法和基于VMD的海杂波分布式去噪算法。利用VMD将海杂波信号分解为具有不同中心频宽的变分模态分量（VMF）,分析分解信号的自相关特性。基于VMD的海杂波混合去噪算法对噪声信号进行小波硬阈值去噪处理,基于VMD的海杂波分布式去噪算法结合瞬时半周期（IHP）和小波硬阈值算法对所有分量信号进行都去噪处理,接着对各分量信号重构后完成去噪,最后利用最小二乘支持向量机（LSSVM）海杂波预测模型,比较去噪前后的预测均方根误差判断其去噪效果。实验结果表明,两种去噪算法的去噪效果显着,预测的均方根误差均能降低两个数量级。针对传统微弱信号检测方法在混沌背景下检测能力较弱的缺陷,本文提出了一种基于IA-SVM模型的混沌小信号检测方法。经求嵌入窗宽构建混沌序列相空间后,利用IA算法的寻优能力对SVM中影响预测精度的惩罚系数、核函数以及不敏感损失参数这三个参数进行优化,从而建立混沌时间序列的预测模型,从预测误差中检测混沌噪声背景中的混沌小信号。仿真实验以Lorenz系统的混沌数据和实测雷达的海杂波作为背景噪声,分析IA-SVM模型预测信号信噪比和均方根误差,来判断模型预测性能效果,并与其他预测模型对比。实验验证结果表明,预测信号的均方根误差为0.0001463（信噪比为-104.2473d B）,通过对比分析其他几种模型预测的均方根误差,在信噪比更高情形下的IA-SVM模型的预测误差更小,预测性能更好,更接近实际值。针对传统随机共振小信号检测无法对多参数进行同步调优的缺陷,本文提出了一种基于变种差分进化算法的随机共振混沌小信号检测方法。利用变种差分进化算法对Duffing振子的随机共振系统参数a,b,k进行寻优,以系统输出信噪比为寻优问题的目标函数。为了验证算法的可行性,分别进行低频和高频小信号输入的仿真实验,在低频小信号检测实验中,输出信噪比较混沌变步长萤火虫优化算法平均提升1.98d B;高频小信号检测实验中,结合外差式随机共振理论,能够准确恢复出高频小信号对应低频段处的小信号,进一步推导出高频小信号的存在;对实测海杂波数据进行仿真实验,实验结果表明该方法能够有效地检测出淹没在海杂波背景下的混沌小信号。
郭义戎[2]（2021）在《基于城市道路交通数据的交通流短时预测与诱导方法研究》文中研究表明智能交通系统（Intelligent Transportation System,ITS）是指将先进的信息技术、数据通讯传输技术、电子传感技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内实时、准确、高效的综合交通运输管理系统。随着当今社会信息的快速传递,智能交通系统中数据获取和处理的数量呈指数增长,如何从高速增长的数字信息中分析掌握可靠的交通信息对交通管理有着深远的意义。因此,为了充分挖掘和利用交通数据中蕴含的丰富交通信息,进一步提高交通状态预测和识别的精确度,有必要研究和探索交通状态预测的新方法。有必要研究和探索用于交通状态预测的新方法,以充分挖掘交通数据所蕴含的丰富交通信息,进一步提升交通状态判别与预测的准确性和可靠性。论文结合现代信息技术中不同的信息处理方法,从数据预处理、交通预测、交通诱导等角度逐步探讨了城市道路交通数据的一些可靠分析方法,解决交通数据中个别样本缺失、交通预测准确率低、诱导信息利用效率不高等问题。具体工作内容如下:（1）基于低秩矩阵的交通数据插补方法为了从交通大数据中分析及掌握可靠的交通信息,结合现代信息技术,探讨了城市道路交通数据的特性及故障数据产生的原因,由于交通数据的缺失将严重影响交通信息系统的性能,有必要对交通数据插补进行研究。首先,介绍了基于核范最小化的低秩矩阵插补模型;其次,在传统的低秩矩阵插补方法中将奇异值部分和最小化范数代替核范数对低秩矩阵交通数据进行恢复;最后,提出了一种将有序约束项引入到奇异值部分和最小化的改进方法。通过真实的两类交通数据验证了对缺失交通数据的恢复,证明了提出的方法优于传统方法。（2）基于多交通参数融合的城市道路交通流短时预测方法针对交通系统的混沌现象,为了更全面的反映交通状况的变化特征,采用多交通参数从不同的侧面为短时交通预测提供更加完整的交通状态变化特征。首先,由于一维的时间序列结构单一且包含的信息量很少,并不能够展现高维复杂系统的运动规律。因此根据交通参数的混沌特性,短时交通流预测模型需要引入相空间重构并依据相空间重构后所展现的客观规律进行预测;其次,研究基于贝叶斯估计理论的多参数时间序列在高维相空间中的相点融合问题;再次,介绍了基于传统最大Lyapunov指数的多交通参数交通状态预测模型;最后,应用广义回归神经网络改进了基于最大Lyapunov指数的多交通参数交通状态预测模型,并利用城市道路交通数据对改进的预测方法与传统的基于Lyapunov指数的预测方法的精确性进行了对比验证。结果表明,改进的基于广义回归神经网络多交通参数交通状态预测方法具有较高的预测精度和效率。（3）基于多神经网络融合的城市道路交通流短时预测方法基于广义回归神经网络的多交通参数融合交通流短时预测方法在复杂路网情况下容易陷入局部极小状态,通过神经网络算法良好的识别复杂非线性系统的特性及多种神经网络模型的相互补充,提出了一种循环神经网络、误差反向传播神经网络、广义回归神经网络优势的城市道路交通数据短时交通状态预测模型。通过多种神经网络模型优缺点的互补,验证了融合后的预测结果能够更好的提升城市道路交通数据短时预测精确度。（4）基于诱导信息效用最大化的VMS（Variable Message Sign,VMS）优化布设新方法在现有诱导效用最大化模型的基础上,提出了一种新的基于实际诱导效用最大化的可变信息板优化布设方法。该方法主要是对原有的效用最大化模型进行改进,通过对可变信息板诱导效用的复杂性进行分析,增加了重复诱导的效用与浪费的效用参与实际效用的计算,并对诱导覆盖率和诱导重复率进行重新定义,最后设计了基于贪婪算法的信息板优化布设的函数求解方法。通过36个路段的网络实例,验证了该方法简单有效,可以通过分析交通流的复杂状况对信息板进行优化配置,在区域道路复杂状况和交通需求点相对确定的条件下,提高整个系统的诱导效率,因而更符合实际交通流诱导的需要。（5）基于双层规划模型的VMS诱导信息发布方法为了合理地对城市交通流进行诱导,减少因VMS引起的不恰当的交通诱导,需要从使用者和管理者的博弈中进行优化,提出了基于双层规划模型的VMS诱导信息发布方法。首先,分析了交通系统管理者和使用者之间的博弈过程;其次,依靠双层规划模型建立了VMS诱导信息发布策略优化模型;最后,依据遗传算法实现了优化模型的求解方法。通过城市道路交通数据验证了VMS诱导策略优化过程的有效性,提高了路网的整体运行效率,为其进一步应用提供支持。
谢小秋[3]（2019）在《面向社交网络的信息流行度预测研究》文中提出随着互联网技术的普及,在线社交网络已经成为当今社会人们信息交流的重要渠道和载体。在线社交网络中信息流行度预测至关重要,具有重要的研究和应用价值。但是,由于信息传播形式的多样性、网络结构的复杂性以及用户特征的多维性使信息流行度预测错综复杂且难以准确把控。如何深入剖析流行度态势变化的规律,感知信息流行态势走向,建立高效的管控措施是待研究和解决的问题。本论文关于信息流行度预测主要涵盖两个方面的内容:宏观信息流行度态势预测,深入剖析信息流行度传播过程中的非线性动力学机制,构建跨平台信息流行度融合和预测模型;微观信息转发热度预测,分析影响用户转发的微观因素,基于传染病模型预测信息未来的转发情况。本文的详细工作总结如下:1.在宏观层面,旨在深入探究社交信息传播的混沌特性,提出一种基于贝叶斯估计理论的跨平台信息流行度融合预测模型。首先,定义跨平台信息流行度时间序列,利用主成分分析（Principal Component Analysis,PCA）量化和获取影响流行度的主成分。其次,基于混沌理论,探究流行度趋势变化的混沌特性,对量化后的序列实施相空间重构,在高维相空间中恢复复杂系统的演化规律和特征。同时,利用贝叶斯估计理论将多个流行度变量在同一高维空间中进行相点的最优融合,得到新的融合相空间。最后,考虑到神经网络在现实应用中有较强的逼近非线性函数的能力,通过其对融合流行度实施优化预测。2.在微观层面,旨在深入探究影响用户转发的多维属性,量化改进SIR（Susceptible-Infected-Recovered）模型中的感染率,提出一种感知信息流行度的用户行为演化策略。首先,提取用户个人和社交维度的转发驱动力,利用多元线性回归量化多维转发感染率。其次,为了让模型更贴近真实网络传播架构,对传统传染病SIR模型中状态S进行改进,重新定义SIR模型的传播规则。最后,通过时间切片技术提取改进SIR模型的各个状态值,利用最小二乘法（Least Square,LS）结合量化后的感染率拟合真实模型,得到一种基于用户转发行为和改进SIR模型的信息流行度预测方法。为了验证提出方法的有效性和可行性,本文基于真实社交网络数据集对模型实施验证实验。实验表明,本文提出的宏微观信息流行度预测模型,能够有效的感知信息流行度传播态势,为宏观的态势分析以及微观用户行为分析提供理论依据。
梁佳旺[4]（2019）在《基于数据驱动的航空发动机在翼寿命预测研究》文中进行了进一步梳理航空发动机作为一种复杂的机械系统,具有极高的维修成本以及可靠性需求。发动机在翼寿命预测作为健康管理技术PHM中的重要内容,能够为维修计划的制定提供合理依据。随着监测技术的发展,发动机寿命预测已从早期通过分析失效数据的传统可靠性方法发展到如今基于大量监测数据的预测方法。数据驱动的寿命预测方法通过案例推理、人工智能等方法实现对退化过程的描述,特别适用于航空发动机这种难以建立准确物理模型并且无法搜集到足够失效数据的设备。本文在研究了通过多源监测数据对发动机进行健康状态评估的基础上,针对航空发动机不同个体退化模式差异性大的特点,重点研究了基于退化轨迹相似的发动机在翼寿命预测方法。选取与发动机健康状况密切相关的性能参数,对原始监测数据进行相似修正及异常值剔除,通过状态空间模型将多源监测数据融合为健康指数HI。对健康指数序列进行聚类分析以提高相似度计算的效率和准确度。提出基于退化轨迹相似的发动机在翼寿命预测方法,通过欧氏距离法计算对比每台发动机健康指数退化轨迹的相似度,加权参照样本剩余寿命得到预测样本剩余寿命。针对发动机在实际使用过程中不同个体初始性能以及衰退速率差异较大的特点,提出序列滑动与分段计算相似度两点改进之处。通过航空公司实际使用数据验证了该方法的准确性。
吴珊,宋凌硕,侯本伟,寇晓霞[5]（2019）在《基于Bayesian-LSSVM和残差修正的用户短期需水量预测》文中研究表明为有效改善供水管网短期需水量预测模型在预测精度和稳定性方面存在的不足,提出在短期需水量预测模型基础上叠加残差预测模型的组合预测建模方法.首先采用贝叶斯最小二乘支持向量机法（Bayesian-LSSVM）建立管网用户需水量时间序列预测模型（BL模型）,得到需水量预测初始值;对BL模型得到的需水量预测初始值的残差序列,构建基于贝叶斯最小二乘支持向量机法的混沌时间序列预测模型（RM模型）,得到残差预测值;同时将RM模型得到的残差预测值实时补偿到BL模型的需水量预测初始值中,得到经过残差修正的需水量预测值.实例结果表明,RM模型可以准确捕获BL模型需水量预测初始值的残差变化趋势,对其残差序列进行准确预测;在短期需水量预测的精度和稳定性方面,由BL模型和RM模型叠加构成的组合预测模型（BL+RM模型）明显优于单一BL模型;BL+RM模型适用于平均需水量较小、水量波动性较大等不同特点用户的短期需水量预测,可有效满足实际工程的需要.
闫孝姮[6]（2016）在《掘进工作面煤与瓦斯突出非线性动态预测研究》文中认为煤与瓦斯突出是一种极其复杂的矿井动力现象,突发性和破坏性极强,有效防治突出灾害一直是矿山安全领域中的重大研究课题。但鉴于目前还不能完全阐明突出的科学本质,难以从机理上确定通用的预测突出的敏感指标及其临界值,本文基于国家自然科学基金资助项目《煤与瓦斯突出灾害动态辨识与预测基础理论研究》（编号:51274118）,研究掘进工作面瓦斯浓度的非线性特征,提出多因素耦合掘进工作面煤与瓦斯突出非线性动态预测理论。本文在对瓦斯突出预测方法和影响煤与瓦斯突出主要因素的深入研究基础上,提出基于多因素耦合自适应萤火虫优化最小二乘支持向量机（ASGSO-LS-SVM）煤与瓦斯突出动态预测模型。分别从动态预测指标的确定、动态预测指标的混沌特征、分形及多重分形特征、模型系统的实现与验证方面进行了深入的研究。利用层次分析法分析煤与瓦斯突出影响因素的权重,选取9种参数为样本集,按权重排序后,分析了瓦斯放散初速度、瓦斯含量、瓦斯涌出速度和瓦斯浓度等与瓦斯涌出量之间的关系后,提出了以瓦斯浓度、瓦斯压力、煤体坚固性系数、煤体结构类型、开采深度等五个主要影响因素作为掘进工作面煤与瓦斯突出危险性非线性动态预测的主要输入指标。对掘进工作面瓦斯浓度时间序列的非线性特征进行了研究。提出了以基于λ-岭回归估计的异常数据的处理方法、基于三次指数平滑的数据缺失的处理、基于改进阈值函数的小波去噪处理的系列处理步骤,完成了掘进工作面瓦斯浓度时间序列的数据提取过程。提出掘进工作面瓦斯浓度序列具有混沌特征的观点,采用了关联维、二阶Renyi 熵 K2、最大Lyapunov指数这三个指标进行了混沌特性的验证,并提出基于改进小数据量算法的最大Lyapunov指数求取方法,证明了掘进工作面瓦斯浓度时间序列具有混沌特性,为非线性动态预测理论提供了依据。为验证掘进工作面瓦斯浓度序列具有分形以及多重分形特征,用重标极差分析法计算Hurst指数,证明了序列的分形特征。在多重分形特征的研究中,发现Dq-q走向越陡,序列所包含的内在信息量越多,越具有突出危险;而分形维数更高,说明越来越趋向于突出的发生,与Dq-q分析得到的结果一致。分析结果使得掘进工作面瓦斯浓度序列的多重分形特征成为突出发生的特征指标成为可能,并进一步为非线性动态预测理论提供支撑。为了提高最小二乘支持向量机的学习和泛化能力,提出一种ASGSO-LS-SVM算法,以萤火虫个体的动态自适应步长策略代替固定的移动步长。建立了基于ASG SO-LS-SVM的以矿井监测瓦斯浓度实时数组式参数,结合瓦斯压力、煤体坚固性系数、煤体结构类型、开采深度的多因素耦合预测模型,建立适用于掘进工作面煤与瓦斯突出的非线性动态预测理论,并以山西两矿瓦斯突出实例验证了理论的可行性。同时设计开发了煤与瓦斯突出非线性动态预测管理系统,促进了掘进工作面煤与瓦斯突出非线性动态预测的应用。
陈优阔[7]（2016）在《基于核方法的煤层厚度变化预测模型及应用研究》文中提出煤层厚度是煤矿设计与开采过程中重要的信息,准确地预测煤层厚度,能够给煤矿生产提供有力的地质保障。煤层在地震勘探中属于薄层,其薄层厚度预测一直是公认的难题之一,传统的预测方法一般是利用钻孔资料的内插对比获得,但是由于钻孔成本较高,钻孔密度不大,因此其应用范围有很大的局限性。三维地震资料具有大面积密集采集信息的优势,因此可以利用丰富的地震信息解决煤层厚度问题,三维地震勘探因其技术先进、分辨率高,目前已成为解决煤矿地质问题的主要手段之一。论文以石拉乌素煤矿首采区为研究区,结合研究区地质勘探数据及三维地震勘探资料,提出了地震属性技术与核方法相结合的煤层厚度预测方法,在仿真模拟研究的基础上,进行了实际应用验证。论文主要进行了5个方面的研究工作:（1）研究了三维地震属性技术,概括了三维地震属性分类、提取和优化三个环节,并对常用的地震属性的定义及地质用途进行了深入研究。重点研究了灰色关联分析优化地震属性的方法,在进行预测模型训练之前,对提取的三维地震属性进行优选,提取出与煤层厚度关联性比较大的几种属性,作为训练模型的特征值,不仅能提高预测的精度,而且降低了算法的时间复杂度和空间复杂度。（2）研究了最小二乘支持向量机及简单多核学习理论,运用耦合模拟退火算法优化最小二乘支持向量机正则化参数r和核宽度s,提出用k-折交叉验证方法优选简单多核学习的正则化参数C。（3）以一个非线性函数和Lorenz系统产生的混沌时间序列预测作为仿真实例,对最小二乘支持向量机及简单多核学习进行了预测能力仿真试验。利用耦合模拟退火算法优化得到最小二乘支持向量机的参数r和核参数s,采用交叉验证方法优选简单多核学习的正则化参数C。并提出了基于相空间重构的最小二乘支持向量机/简单多核学习模糊时间序列预测方法。同时为衡量预测模型的精确性,采用绝对误差,相对误差、均方误差及相关系数等作为评价模型整体预测效果的指标,并通过非线性函数的内插预测,外推预测,抗噪能力,分析了预测模型的通用性。（4）结合Kriging插值,提出基于最小二乘支持向量机模型和Kriging的煤层厚度预测研究,用最小二乘支持向量机重构变差函数模型,可根据不同的数据特征进行变异函数的自适应拟合,提高了煤层厚度预测精度。最后,利用球状函数、指数函数、高斯函数、最小二乘支持向量机作为变差函数模型分别对研究区煤层厚度进行了预测,并通过交叉验证方法对上述函数模型进行了精度比较。（5）结合灰色关联分析、地震属性技术,把最小二乘支持向量机和简单多核学习用于预测煤层厚度。提出基于灰色关联分析及最小二乘支持向量机/简单多核学习煤层厚度预测研究,结合研究区三维地震和实际钻孔资料,首先提取多种地震属性和煤层厚度信息,然后用灰色关联分析优选地震属性,减少了核方法输入样本的维数,降低了时间复杂度和空间复杂度,并利用耦合模拟退火算法优化得到最小二乘支持向量机的参数r和核参数s,采用交叉验证方法优选简单多核学习的正则化参数C,分别把实际钻孔附近的优选后的属性和对应的煤层厚度作为最小二乘支持向量机/简单多核学习输入输出进行训练,得到煤层厚度预测模型,并采用绝对误差和相对误差进行精度分析,取得了较好的预测效果,最后将预测模型用于整个研究区煤层厚度的预测,并对煤层厚度实现了基于可视化工具包VTK的三维可视化展示,取得了较好的效果。
崔庆[8]（2013）在《最小二乘支持向量机模型的改进及其在径流预报中的应用》文中研究指明径流时间序列主要受降雨、天文、下垫面以及人类活动等众多因素共同的影响，因此，径流时间序列呈现出高度复杂的非线性动态空间，同时还具有多年变化的周期性、趋势性以及随机性等。对于这些复杂的问题，传统的预测模型很难解决，为此，本文提出了基于混沌时间序列理论结合最小二乘支持向量机模型（Least Squares Support VectorMachines,简称LS-SVM）以及对LS-SVM算法的优化改进预测方法。通过MATLAB语言编程，建立数学模型，并采用基于小波核的最小二乘支持向量机研究年径流变化。经过分析研究获得如下结果：（1）介绍了一些基本理论和概念。首先介绍了混沌时间序列的基本原理。再分析了相空间重构理论，重点讨论了相空间重构的两个主要参数时间延迟τ以及嵌入维数m的选取方法，即较为全面的介绍了互信息量法求取时间延迟τ以及Cao氏方法求取嵌入维数m的过程。（2）研究了传统的最小二乘支持向量机模型。首先对最小二乘支持向量机原理以及常见的核函数进行了解释说明，选取高斯径向基函数作为模型的核函数，再利用Lorenz系统进行仿真预测分析，结果表明，仿真试验效果明显，但对预测模型的实例应用还有待进一步的探究。（3）利用自适应差分进化算法对最小二乘支持向量机模型的参数进行优化选择。首先介绍了差分进化算法的理论，再利用自适应差分进化算法对最小二乘支持向量机模型的两个主要参数进行组合寻优。最后利用经典的Lorenz系统进行检验，同时与传统的最小二乘支持向量机模型进行对比分析。结果表明，经过参数组合寻优选取后的模型预测精度得到了提高。（4）重新定义选取了最小二乘支持向量机模型的核函数。首先介绍了小波核函数的构造理论，选取小波核函数进行试验，但径流变化极其复杂，对径流序列进行周期性与趋势性的进一步把握，可深入分析径流序列的演变规律极其内在特征。选取的小波函数作为最小二乘支持向量机的核函数能较好的获取时间序列的波动特性，并能反映年径流量的周期性分布，同时进行误差修正分析，说明模型的预测值是符合径流变化规律，但模型在不同的条件下的适应性还有待进一步的检验。基于以上对最小二乘支持向量机相关理论的描述，同时实现了各种优化LS-SVM模型的方案，以及在应用过程中结合了相空间重构技术，本文拓宽了对最小二乘支持向量机模型的研究，以及利用最小二乘支持向量机模型对年径流量的研究分析进行了初步的探讨。
梅倩[9]（2013）在《LS-SVM在时间序列预测中的理论与应用研究》文中研究指明时间序列预测方法已经应用到几乎所有预报与决策的领域，广泛地应用在实际中。对这种方法的研究不仅具有理论研究的重要意义，而且一直是国内外学者研究的热点和难点。在支持向量机模型中，成功地应用了结构风险最小化、核函数映射和凸二次规划等技术，有效地解决了在传统机器学习中出现的维数灾难和局部极小等问题。而最小二乘支持向量机（LS-SVM）作为支持向量机（SVM）的一个改进简化模型，在保证预测精度不减弱的情况下，具有比支持向量机运算更加简化的优点。本文针对LS-SVM中的一些问题进行了研究，主要工作如下：①提出了经验模态分解与LS-SVM组合预测的方法，结合建筑能耗预测的实际应用，该方法的主要思路是把能耗数据形成的时间序列用EMD方法分解成多个本征模式分量，然后对每个本征模式分别建立LS-SVM模型进行分开预测，最后将所有本征模式分量对应的LS-SVM模型预测结果进行求和。在建筑能耗预测的实验中，该方法对非平稳的时间序列具有较好的预测效果，预测精度优于传统单一的LS-SVM、SVM和BP神经网络。②为了解决LS-SVM模型在时间序列预测应用中的参数寻优问题，提出了一种参数选优方法，主要思路是将训练数据分成两组，分别作为选优过程中的训练数据和测试数据，采用结合全局寻优与局部寻优的免疫文化基因算法来进行参数选优，全局寻优采用免疫克隆选择算法，局部寻优使用Baldwin学习增强机制来增强优秀个体适应度的方法加快收敛速度来完成。并用Lorenz混沌时间序列对该方法进行了测试，证明了本文参数选优方法的可行性与优越性。③对于一些预测精度与实时性都要求较高的预测应用领域，传统的离线预测模型已不能很好的满足要求，在线预测才能更好的满足应用需求。因此本文提出了一种改进的LS-SVM在线预测方法，该方法采用有选择性的增量学习和快速剪枝算法。新样本到来时，增量学习方法是递归地更新支持向量，避免了直接求逆更新支持向量机，预测所需时间大大减少。为了减少增量学习的次数，本文中根据新样本的预测误差，对样本有选择地进行增量学习，并在支持向量机规模达到一定数量时，用快速剪枝策略对最早加入的支持向量进行剪枝操作。该方法在保证了预测精度的同时，预测速度较快，也更好地满足了实际应用要求。
计亚丽,贾克力,李畅游,张俊,韩璞璞,王爽[10]（2012）在《克鲁伦河月径流混沌时间序列的LS-SVM和RBF预测》文中进行了进一步梳理采用相空间重构理论计算实测月径流的延迟时间、嵌入维数、G-P饱和关联维数和Laypunov指数,证明克鲁伦河月径流时间序列存在混沌现象。混沌时间序列的最小二乘支持向量机预测模型涉及参数较少,计算过程简便,训练速度快。RBF神经网络预测模型具有较快的训练速度和较强的非线性映射能力。同时,二者在建模中都引用了径向基函数,从而更加简化了非线性问题的求解。实例表明:将这两种模型应用在月径流时间序列预测上,其运算速度都很快,但在预测精度上,最小二乘支持向量机预测模型要优于径向基神经网络预测模型。
二、LS-SVM在混沌时间序列预测中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、LS-SVM在混沌时间序列预测中的应用（论文提纲范文）
（1）海杂波背景下的混沌小信号检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 混沌相空间重构理论及其参数确认方法研究 |
| 2.1 混沌理论分析 |
| 2.1.1 混沌的定义 |
| 2.1.2 混沌的特征 |
| 2.1.3 混沌吸引子模型 |
| 2.2 混沌的识别 |
| 2.2.1 混沌的定性分析 |
| 2.2.2 混沌的定量分析 |
| 2.3 混沌相空间重构及其参数选择 |
| 2.3.1 混沌相空间重构理论 |
| 2.3.2 嵌入维与时间延迟的确定 |
| 2.3.3 嵌入窗的确定 |
| 2.4 本章小结 |
| 第三章 基于变分模态分解算法的海杂波去噪研究 |
| 3.1 变分模态分解算法 |
| 3.1.1 经验模态分解预处理 |
| 3.1.2 变分模态分解 |
| 3.2 基于变分模态分解的海杂波混合去噪算法 |
| 3.2.1 自相关特性分析和小波阈值滤波 |
| 3.2.2 仿真实验 |
| 3.3 基于变分模态分解的海杂波分布式去噪算法 |
| 3.3.1 分布式去噪算法 |
| 3.3.2 实验与分析 |
| 3.4 本章小结 |
| 第四章 基于IA-SVM模型的混沌小信号检测方法 |
| 4.1 支持向量机 |
| 4.2 基于IA-SVM模型的混沌小信号检测方法 |
| 4.2.1 免疫算法 |
| 4.2.2 免疫算法优化支持向量机 |
| 4.3 海杂波背景下的混沌小信号检测仿真 |
| 4.4 本章小结 |
| 第五章 基于变种差分进化算法的随机共振混沌小信号检测方法 |
| 5.1 随机共振理论分析 |
| 5.1.1 Duffing振子的双稳态随机共振系统 |
| 5.1.2 随机共振基本理论 |
| 5.1.3 外差式随机共振 |
| 5.2 变种差分进化算法 |
| 5.3 实验仿真分析 |
| 5.3.1 低频小信号检测 |
| 5.3.2 高频小信号检测 |
| 5.3.3 海杂波背景下的混沌小信号检测 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 创新与特色 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 一、基本情况 |
| 二、课程学习情况 |
| 三、参与研究课题情况 |
| 四、发表学术论文及专利情况 |
| 五、获奖情况 |
（2）基于城市道路交通数据的交通流短时预测与诱导方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语说明 |
| 第1章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 信息处理技术在智能交通中的国内外研究现状 |
| 1.2.1 交通数据预处理现状 |
| 1.2.2 交通状态预测现状 |
| 1.2.3 交通诱导信息处理现状 |
| 1.3 现有研究存在的问题与分析 |
| 1.4 论文的主要研究内容与创新点 |
| 1.5 论文的组织结构与安排 |
| 第2章 基于低秩矩阵的交通数据预处理方法 |
| 2.1 引言 |
| 2.1.1 城市道路交通数据特性分析 |
| 2.1.2 交通流参数数据检测技术 |
| 2.1.3 交通故障数据产生的原因 |
| 2.2 基于低秩矩阵的交通数据插补模型介绍 |
| 2.2.1 基于低秩矩阵的交通数据插补方法应用实例 |
| 2.2.2 基于核范数最小化的低秩矩阵插补模型 |
| 2.3 一种改进的低秩矩阵交通数据插补方法 |
| 2.3.1 基于稳健主成分分析矩阵插补方法研究 |
| 2.3.2 基于PSSV的交通数据插补方法 |
| 2.3.3 基于OPSSV的交通数据插补方法 |
| 2.3.4 实验验证与分析 |
| 2.4 本章小结 |
| 第3章 基于多交通参数融合的城市道路交通流短时预测方法 |
| 3.1 引言 |
| 3.2 交通参数的混沌特性 |
| 3.3 多参数时间序列相空间重构 |
| 3.4 多交通参数融合方法 |
| 3.4.1 常用数据融合方法比较分析 |
| 3.4.2 基于贝叶斯估计的交通参数融合方法 |
| 3.4.3 多交通流参数时间序列高维相空间融合方法 |
| 3.5 基于Lyapunov指数的多交通参数交通状态预测模型 |
| 3.6 基于GRNN的多交通参数交通状态预测模型 |
| 3.7 算例验证与分析 |
| 3.7.1 实验数据准备 |
| 3.7.2 实验验证与分析 |
| 3.8 本章小结 |
| 第4章 基于多神经网络融合的城市道路交通流短时预测方法 |
| 4.1 引言 |
| 4.2 城市道路交通流神经网络融合预测模型 |
| 4.2.1 交通流参数神经网络预测理论 |
| 4.2.2 城市道路交通流状态融合预测方法 |
| 4.2.3 基于多神经网络融合城市道路交通状态预测原理 |
| 4.2.4 基于多神经网络融合城市道路交通状态预测流程 |
| 4.3 算例验证与分析 |
| 4.3.1 实验数据准备 |
| 4.3.2 实验验证与分析 |
| 4.4 本章小结 |
| 第5章 基于VMS布设及诱导信息发布方法 |
| 5.1 引言 |
| 5.2 基于诱导信息效用最大化的VMS优化布设方法 |
| 5.2.1 问题分析 |
| 5.2.2 优化模型的建立 |
| 5.2.3 贪婪算法的优化步骤 |
| 5.2.4 评价指标的建立 |
| 5.2.5 实验验证与分析 |
| 5.3 基于VMS的诱导信息发布策略方法 |
| 5.3.1 VMS诱导信息发布策略博弈优化模型 |
| 5.3.2 VMS诱导信息发布策略博弈优化模型的算法 |
| 5.3.3 实验验证与分析 |
| 5.4 本章小结 |
| 总结和展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读博士学位期间发表的学术论文 |
| 附录 B 攻读博士学位期间参与的科研项目 |
（3）面向社交网络的信息流行度预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 社交网络发展现状 |
| 1.2.2 信息流行度预测概述 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第2章 相关技术和基础理论概述 |
| 2.1 信息流行度影响因素 |
| 2.1.1 内部因素 |
| 2.1.2 外部因素 |
| 2.2 流行度预测常用分类和回归模型 |
| 2.2.1 决策树C4.5 模型 |
| 2.2.2 支持向量机模型 |
| 2.2.3 自回归移动平均模型 |
| 2.2.4 多元线性回归模型 |
| 2.3 基于传染病的信息传播模型 |
| 2.3.1 传染病SI模型 |
| 2.3.2 传染病SIS模型 |
| 2.3.3 传染病SIR模型 |
| 2.4 基于时间特性的预测模型及方法 |
| 2.4.1 基于混沌时间序列流行度预测模型 |
| 2.4.2 基于增强泊松过程的信息流行度预测方法 |
| 2.5 本章小结 |
| 第3章 基于混沌时间序列的跨平台信息流行度预测模型 |
| 3.1 引言 |
| 3.2 问题形式化及相关定义 |
| 3.2.1 问题定义 |
| 3.2.2 问题形式化 |
| 3.3 模型 |
| 3.3.1 PCA量化流行度 |
| 3.3.2 流行度时间序列的相空间重构 |
| 3.3.3 流行度预测模型 |
| 3.3.4 模型算法设计及分析 |
| 3.4 仿真实验与结果讨论 |
| 3.4.1 实验数据 |
| 3.4.2 基础方法 |
| 3.4.3 评估指标 |
| 3.4.4 预测性能分析 |
| 3.5 本章小结 |
| 第4章 基于F-SIR和用户转发行为的信息流行度预测模型 |
| 4.1 引言 |
| 4.2 问题形式化及相关定义 |
| 4.2.1 问题定义 |
| 4.2.2 问题形式化 |
| 4.3 模型 |
| 4.3.1 转发驱动力量化 |
| 4.3.2 信息传播的传染病模型 |
| 4.3.3 构建流行度预测模型 |
| 4.3.4 模型算法设计及分析 |
| 4.4 仿真实验与结果讨论 |
| 4.4.1 实验数据 |
| 4.4.2 基础方法 |
| 4.4.3 评估指标 |
| 4.4.4 预测性能分析 |
| 4.5 本章小结 |
| 第5章 总结及展望 |
| 5.1 研究工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（4）基于数据驱动的航空发动机在翼寿命预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 注释表 |
| 第一章 绪论 |
| 1.1 选题背景和意义 |
| 1.2 研究现状及发展趋势 |
| 1.2.1 维修策略发展概述 |
| 1.2.2 性能评估研究现状 |
| 1.2.3 在翼寿命预测研究现状 |
| 1.3 本文研究内容 |
| 第二章 航空发动机性能评估与寿命预测理论 |
| 2.1 航空发动机性能参数分析 |
| 2.1.1 排气温度裕度分析 |
| 2.1.2 性能参数处理方法 |
| 2.2 航空发动机性能评估方法 |
| 2.2.1 核主元评估方法 |
| 2.2.2 贝叶斯评估方法 |
| 2.3 航空发动机在翼寿命预测方法 |
| 2.3.1 基于时间序列的预测方法 |
| 2.3.2 基于LS-SVM的预测方法 |
| 2.3.3 基于Wiener过程的预测方法 |
| 2.4 本章小结 |
| 第三章 健康指数模型建立 |
| 3.1 性能数据预处理 |
| 3.1.1 性能参数选取 |
| 3.1.2 气路参数相似修正 |
| 3.1.3 异常值剔除 |
| 3.2 状态空间模型 |
| 3.3 健康指数聚类分析 |
| 3.3.1 聚类分析概念 |
| 3.3.2 聚类划分方法 |
| 3.4 本章小结 |
| 第四章 基于退化轨迹相似的在翼寿命预测 |
| 4.1 时间序列相似性度量方法 |
| 4.1.1 欧氏距离 |
| 4.1.2 动态时间弯曲 |
| 4.1.3 模式距离 |
| 4.2 基于退化轨迹相似的在翼寿命预测方法研究 |
| 4.2.1 健康指数序列相似度计算 |
| 4.2.2 参照样本权重分配 |
| 4.3 预测方法的改进与优化 |
| 4.3.1 序列滑动 |
| 4.3.2 相似度算法改进 |
| 4.4 本章小结 |
| 第五章 航空发动机在翼寿命预测 |
| 5.1 引言 |
| 5.2 基于EGTM的在翼寿命预测 |
| 5.2.1 基于EGTM的发动机在翼寿命预测流程 |
| 5.2.2 案例分析 |
| 5.3 基于健康指数HI的在翼寿命预测 |
| 5.3.1 基于健康指数HI的发动机在翼寿命预测流程 |
| 5.3.2 案例分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（5）基于Bayesian-LSSVM和残差修正的用户短期需水量预测（论文提纲范文）
| 1 模型构建的基础理论 |
| 1.1 最小二乘支持向量机原理 |
| 1.2 贝叶斯证据框架下的LS-SVM参数确定 |
| 1.3 混沌时间序列预测 |
| 2 用户需水量预测步骤 |
| 2.1 模型输入参数选择 |
| 2.2 模型预测流程 |
| 3 实例分析 |
| 3.1 用户用水模式分析 |
| 3.2 需水量预测模型的建立 |
| 3.3 预测结果分析 |
| 4 结 论 |
（6）掘进工作面煤与瓦斯突出非线性动态预测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 本文选题的研究背景 |
| 1.2 煤与瓦斯突出机理及预测综述 |
| 1.2.1 煤与瓦斯突出机理研究综述 |
| 1.2.2 煤与瓦斯突出的预测研究综述 |
| 1.3 本文的主要研究内容和技术路线 |
| 1.3.1 本文的主要研究内容 |
| 1.3.2 本文的技术路线 |
| 2 煤与瓦斯突出非线性动态预测指标的确定 |
| 2.1 地应力对煤与瓦斯突出区域分布的影响 |
| 2.2 煤的物理力学性质对煤与瓦斯突出的影响 |
| 2.2.1 煤体的构造影响 |
| 2.2.2 煤的强度特性影响 |
| 2.2.3 煤层厚度的影响 |
| 2.2.4 煤层顶底板岩石透气性的影响 |
| 2.2.5 开采深度的影响 |
| 2.2.6 煤层倾角的影响 |
| 2.2.7 煤层渗透率的影响 |
| 2.3 煤层瓦斯参数对煤与瓦斯突出的影响 |
| 2.3.1 煤层瓦斯含量的影响 |
| 2.3.2 煤层瓦斯压力的影响 |
| 2.3.3 煤层瓦斯涌出速度的影响 |
| 2.3.4 煤层瓦斯放散初速度的影响 |
| 2.4 非线性动态预测指标的确定 |
| 2.4.1 煤与瓦斯突出非线性动态预测指标体系构建的原则 |
| 2.4.2 基于层次分析法的非线性动态预测指标权重分析 |
| 2.4.3 煤与瓦斯突出非线性动态预测指标的确定 |
| 2.5 本章小结 |
| 3 掘进工作面瓦斯浓度的混沌特征研究 |
| 3.1 动力系统与混沌概述 |
| 3.1.1 动力系统 |
| 3.1.2 混沌的定义与性质 |
| 3.2 掘进工作面瓦斯浓度数据的预处理 |
| 3.2.1 基于λ-岭回归估计的异常数据的处理 |
| 3.2.2 基于三次指数平滑数据缺失的处理 |
| 3.2.3 基于改进阈值函数的小波去燥处理 |
| 3.2.4 实例研究 |
| 3.3 瓦斯浓度时间序列的相空间重构 |
| 3.4 瓦斯浓度时间序列的时滞参数的选取 |
| 3.5 掘进工作面瓦斯浓度时间序列混沌特征的识别 |
| 3.5.1 关联维 |
| 3.5.2 二阶Renyi熵K_2 |
| 3.5.3 基于改进的小数据量算法的最大Lyapunov指数 |
| 3.5.4 掘进工作面瓦斯浓度混沌特征实例判定 |
| 3.6 本章小结 |
| 4 掘进工作面瓦斯浓度的分形特征研究 |
| 4.1 分形理论概述 |
| 4.1.1 分形及分形几何 |
| 4.1.2 分形维数的计算方法 |
| 4.2 掘进工作面瓦斯浓度时间序列分形特征的判定 |
| 4.2.1 Hurst指数的估算 |
| 4.2.2 实例判定 |
| 4.3 掘进工作面瓦斯浓度的多重分形特征 |
| 4.3.1 多重分形维理论 |
| 4.3.2 求取瓦斯浓度时间序列的广义维数D_q |
| 4.3.3 时间序列的广义Hurst指数估计 |
| 4.3.4 瓦斯浓度时间序列的多重分形谱分析 |
| 4.3.5 掘进工作面瓦斯浓度多重分形特征的判定 |
| 4.4 本章小结 |
| 5 掘进工作面煤与瓦斯突出多因素非线性动态预测 |
| 5.1 支持向量机理论基础 |
| 5.1.1 VC维理论和结构风险最小化 |
| 5.1.2 SVM理论 |
| 5.1.3 构造核函数 |
| 5.1.4 LS-SVM |
| 5.2 基于ASGSO算法的LS-SVM识别模型 |
| 5.2.1 基本GSO算法 |
| 5.2.2 自适应优化GSO算法 |
| 5.2.3 惩罚因子及核参数σ对LS-SVM的影响 |
| 5.2.4 ASGSO-LS-SVM模型的建立 |
| 5.3 基于ASGSO-LS-SVM的煤与瓦斯突出预测 |
| 5.3.1 获取数据 |
| 5.3.2 数据的预处理过程 |
| 5.3.3 特征的选择与提取 |
| 5.3.4 模式识别系统的训练与预测 |
| 5.3.5 基于ASGSO-LS-SVM的煤与瓦斯突出静态预测 |
| 5.3.6 基于ASGSO-LS-SVM的煤与瓦斯突出动态预测与验证 |
| 5.4 煤与瓦斯突出非线性动态预测管理系统开发 |
| 5.4.1 煤与瓦斯突出动态预测管理系统的功能设计 |
| 5.4.2 煤与瓦斯突出预测管理系统的硬件设计 |
| 5.4.3 煤与瓦斯突出预测管理系统的软件设计 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
| 附件 |
（7）基于核方法的煤层厚度变化预测模型及应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| Extended Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与技术路线 |
| 1.4 论文的结构与安排 |
| 2 核方法理论 |
| 2.1 最小二乘支持向量机 |
| 2.2 简单多核学习 |
| 2.3 参数优化 |
| 2.4 核函数 |
| 2.5 本章小结 |
| 3 地震属性技术及优化 |
| 3.1 地震属性技术 |
| 3.2 地震属性定义及地质意义 |
| 3.3 地震属性的优化 |
| 3.4 本章小结 |
| 4 模型仿真及精度分析 |
| 4.1 非线性函数内插仿真试验 |
| 4.2 非线性函数外推仿真试验 |
| 4.3 抗噪音性能仿真试验 |
| 4.4 非线性时间序列仿真试验( |
| 4.5 本章小结 |
| 5 实例应用及结果分析 |
| 5.1 研究区概况 |
| 5.2 基于LS-SVM模型的Kriging方法煤层厚度预测 |
| 5.3 基于灰色关联分析及核方法的煤层厚度预测 |
| 5.4 煤层三维可视化 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 主要结论 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 附录 1 |
| 作者简历 |
| 学位论文数据集 |
（8）最小二乘支持向量机模型的改进及其在径流预报中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 径流时间序列分析现状 |
| 1.2.2 预测模型的研究 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 时间序列预测理论 |
| 2.1 混沌时间序列预测原理 |
| 2.2 相空间重构理论 |
| 2.2.1 重构相空间技术 |
| 2.2.2 时间延迟τ的选取 |
| 2.2.3 嵌入维数 m 的选取 |
| 2.3 统计学习理论 |
| 2.3.1 学习问题的表示 |
| 2.3.2 VC 维 |
| 2.3.3 经验风险最小化原理 |
| 2.3.4 复杂性与推广能力 |
| 2.4 支持向量机模型 |
| 2.5 本章小结 |
| 第三章 传统的最小二乘支持向量机预测模型 |
| 3.1 最小二乘法 |
| 3.1.1 最小二乘法的原理 |
| 3.1.2 最小二乘法的矩阵形式 |
| 3.2 最小二乘支持向量机原理 |
| 3.3 核函数 |
| 3.3.1 核函数的原理 |
| 3.3.2 常见的核函数 |
| 3.4 算法步骤 |
| 3.5 预测性能评价指标 |
| 3.6 预测模型的应用 |
| 3.7 本章小结 |
| 第四章 基于自适应差分进化算法的最小二乘支持向量机模型 |
| 4.1 自适应差分进化算法 |
| 4.1.1 差分进化算法（DE） |
| 4.1.2 改进差分进化算法的策略 |
| 4.2 基于自适应差分进化算法的最小二乘支持向量机的建模过程 |
| 4.2.1 参数优化流程图 |
| 4.2.2 模型的预测步骤 |
| 4.3 仿真试验 |
| 4.4 本章小结 |
| 第五章 基于小波核的最小二乘支持向量机年径流预测模型研究 |
| 5.1 最小二乘支持向量机的核条件 |
| 5.2 小波核函数 |
| 5.3 算法步骤 |
| 5.4 实例应用 |
| 5.4.1 径流预测 |
| 5.4.2 误差修正分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）LS-SVM在时间序列预测中的理论与应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 时间序列预测研究现状分析 |
| 1.2.2 LS-SVM 算法的研究现状与不足 |
| 1.3 论文的研究内容与结构 |
| 1.4 本章小结 |
| 2 LS-SVM 的理论基础知识 |
| 2.1 统计学相关理论知识 |
| 2.1.1 VC 维 |
| 2.1.2 结构风险最小化准则 |
| 2.1.3 泛化能力 |
| 2.2 支持向量机回归模型 |
| 2.3 本章小结 |
| 3 EMD 与 LS-SVM 的组合预测研究 |
| 3.1 LS-SVM 模型简介 |
| 3.2 经验模态分解介绍 |
| 3.3 EMD 与 LS-SVM 组合预测模型 |
| 3.4 建筑能耗预测实验与分析 |
| 3.5 本章小结 |
| 4 LS-SVM 的参数选优研究 |
| 4.1 LS-SVM 参数选优的现有方法 |
| 4.2 LS-SVM 参数对预测的影响分析 |
| 4.3 免疫文化基因算法进行参数选优 |
| 4.3.1 危险信号提取 |
| 4.3.2 Baldwin 学习机制 |
| 4.3.3 免疫文化基因算法设计 |
| 4.4 对比实验与分析 |
| 4.5 本章小结 |
| 5 LS-SVM 在线预测研究 |
| 5.1 LS-SVM 在线预测简介 |
| 5.2 在线增量式学习原理 |
| 5.3 LS-SVM 在线预测改进方法 |
| 5.4 对比实验与分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A. 作者在攻读学位期间发表的论文目录 |
| B. 作者在攻读学位期间取得的科研成果目录 |
（10）克鲁伦河月径流混沌时间序列的LS-SVM和RBF预测（论文提纲范文）
| 1 概 述 |
| 2 克鲁伦河月径流时间序列的相空间重构及其混沌特性识别 |
| 2.1 基本资料 |
| 2.2 相空间重构 |
| 2.3 延迟时间的确定和嵌入维数的选取 |
| 2.4 混沌特性识别 |
| 2.4.1 饱和关联维数法 |
| 2.4.2 最大Lyapunov指数法 |
| 3 混沌时间序列预测模型 |
| 3.1 最小二乘支持向量机预测模型 |
| 3.1.1 最小二乘支持向量机原理 |
| 3.1.2 核函数的选取 |
| 3.1.3 最小二乘向量机预测模型的建立 |
| 3.2径向基函数神经网络预测模型[8, 22] |
| 3.3 预测结果 |
| 4 结 语 |
四、LS-SVM在混沌时间序列预测中的应用（论文参考文献）
- [1]海杂波背景下的混沌小信号检测方法研究[D]. 孙江. 南京信息工程大学, 2021(01)
- [2]基于城市道路交通数据的交通流短时预测与诱导方法研究[D]. 郭义戎. 兰州理工大学, 2021(01)
- [3]面向社交网络的信息流行度预测研究[D]. 谢小秋. 重庆邮电大学, 2019(01)
- [4]基于数据驱动的航空发动机在翼寿命预测研究[D]. 梁佳旺. 中国民航大学, 2019(02)
- [5]基于Bayesian-LSSVM和残差修正的用户短期需水量预测[J]. 吴珊,宋凌硕,侯本伟,寇晓霞. 哈尔滨工业大学学报, 2019(08)
- [6]掘进工作面煤与瓦斯突出非线性动态预测研究[D]. 闫孝姮. 辽宁工程技术大学, 2016(05)
- [7]基于核方法的煤层厚度变化预测模型及应用研究[D]. 陈优阔. 中国矿业大学, 2016(03)
- [8]最小二乘支持向量机模型的改进及其在径流预报中的应用[D]. 崔庆. 西北农林科技大学, 2013(02)
- [9]LS-SVM在时间序列预测中的理论与应用研究[D]. 梅倩. 重庆大学, 2013(03)
- [10]克鲁伦河月径流混沌时间序列的LS-SVM和RBF预测[J]. 计亚丽,贾克力,李畅游,张俊,韩璞璞,王爽. 水资源与水工程学报, 2012(03)