文档介绍：密级: 学校代码:10075
分类号: 学号:20091395

管理学硕士学位论文

基于 SVM 的混沌时间序列
预测方法研究

学位申请人:王朝
指导教师:于强教授
李松教授
学位类别:管理学硕士
学科专业:管理科学与工程
授予单位:河北大学
答辩日期:二〇一二年五月
Classified Index: CODE: 10075
: NO: 20091395

A Dissertation for the Degree of M. Management

Prediction methods of chaotic time
series based on SVM

Candidate: Wang chao
Supervisor: Prof. Yu Qiang
Prof. Li Song
Academic Degree Applied for: Master of Management
Specialty: Management Science & Engineering
University: Hebei University
Date of Oral Examination: May, 2012
摘要
摘要
随着混沌理论和应用技术的不断发展,混沌系统的建模、预测和控制成为当代混沌
领域研究的热点。混沌系统预测被广泛应用于自然科学和社会科学的各个领域,如:在
电子对抗、水文预报、图像处理、冰川期预测、太阳黑子和股票行情等预测中。混沌预
测理论的研究具有很重要的实际应用价值和重要意义。研究混沌时间序列预测的方法很
多,但也存在研究不完善等问题。为进一步发展完善预测理论,本文选用近几年提出的
支持向量机算法来对混沌时间序列进行研究。支持向量机是一种机器学习算法,最早被
应用于分类研究,近些年才被学者引入到了预测领域,虽然一些学者对支持向量机算法
赞赏有加,但究竟其预测效果如何,并没有一个统一的说法。基于此本文选用支持向量
机预测算法构建混沌时间序列预测模型。应用该模型对3 种典型混沌时间序列进行预测
研究,并与经典的 BP 神经网络预测模型和 RBF 神经网络预测模型进行了对比分析。研
究结果表明,虽然 SVM 算法预测具有较高的精度,但对于不同的混沌时间序列,SVM 算
法预测精度不同。对于有些混沌时间序列 SVM 的预测精度比 BP 和 RBF 预测算法的预测
精度高, 所以 SVM 预测算法并不适用于所有的混沌系统预测。
本文安排如下:
在第一章中,说明了混沌时间序列预测的研究背景和发展,系统阐述了支持向量机
研究现状以及在混沌时间序列预测上的研究进展。第二章,介绍混沌时间序列的理论基
础以及相空间技术。第三章,构建支持向量机的模型,并且选择合适的参数C和g。第
四章,在 Matlab 环境中对三种典型的混沌时间序列进行预测,并对其结果进行分析。
第五章,构建 BP 和 RBF 神经网络预测模型,并将其预测结果与 SVM 算法预测结果进行
比较。
通过分析比较,发现在对 Lorenz 混沌时间序列的预测上,采用 SVM 算法预测精度
最高。而在对 Henon 和 Logistic 混沌时间序列预测时,RBF 算法表现出的效果是最好的。
关键词预测混沌理论混沌时间序列支持向量机
I
Abstract
Abstract
Chaos time series prediction is the important research field and hot spots in today's
society. Chaos time series prediction is widely used in natural science and social science. In
the electronic against, hydrological forecasting, image processing, ice age forecast, sunspots
and stock prices, etc of prediction. Chaos time series prediction has very important practical
application value and significance. The researches of chaotic time series pre