混沌时间序列预测及其抵抗方法

第 1章 混沌的基本理论\t1
1．1 混沌的起源和发展\t1
1．2 混沌的定义\t2
1．2．1 李天岩 约克（Li-Yorke）混沌的定义\t2
1．2．2 Devaney混沌的定义\t3
1．3 混沌的主要特点\t3
1．4 混沌系统的主要模型\t4
参考文献\t6
第 2章 混沌时间序列预测的基本理论与方法\t8
2．1 混沌时间序列预测理论研究的意义\t8
2．2 混沌时间序列预测的国内外研究现状\t9
2．2．1 线性时间序列的预测模型\t9
2．2．2 非线性时间序列预测模型\t9
2．3 相空间重构理论\t13
2．4 几种基本的混沌时间序列预测方法\t14
2．4．1 全局预测法\t14
2．4．2 局域预测法\t15
2．4．3 自适应预测法\t16
2．5 本章小结\t16
参考文献\t16
第3章 基于最小二乘支持向量机动态选择集成混沌时间序列预测方法\t22
3．1 引言\t22
3．2 支持向量回归机算法\t23
3．2．1 SVR基本模型\t24
3．2．2 最小二乘支持向量机模型\t27
3．3 集成学习的基本框架\t28
3．3．1 集成学习的基本原理\t28
3．3．2 集成学习机的分类\t30
3．4 回归集成算法\t34
3．4．1 回归集成学习\t34
3．4．2 自适应动态选择集成回归算法\t36
3．4．3 自适应动态选择算法\t38
3．5 混沌相空间重构\t38
3．6 基于自适应动态选择LS-SVM集成混沌时间序列预测算法\t40
3．7 测试分析与比较\t41
3．7．1 Lorenz混沌时间序列预测\t41
3．7．2 Hénon混沌时间序列预测\t46
3．7．3 Mackey-Glass混沌时间序列的6步以及80步直接预测\t49
3．7．4 太阳黑子混沌时间序列预测\t53
3．8 本章小结\t55
参考文献\t55
第4章 基于变异粒子群联合参数优化多尺度核混沌时间序列预测方法\t57
4．1 引言\t57
4．2 核理论及核函数构造\t58
4．2．1 多核学习：多尺度核方法\t60
4．2．2 多核机器的学习方法\t62
4．3 基于多尺度逃逸粒子群优化的联合参数优化算法\t64
4．3．1 粒子群基本原理\t64
4．3．2 多变异逃逸粒子群算法\t66
4．3．3 多尺度逃逸算法的优化机理及收敛性分析\t70
4．3．4 基于多尺度逃逸PSO联合参数多核支持向量机优化混沌预测\t72
4．4 测试分析与比较\t75
4．4．1 Lorenz混沌时间序列\t75
4．4．2 Hénon混沌时间序列预测\t81
4．4．3 Mackey-Glass 混沌时间序列的6步以及80步直接预测\t84
4．4．4 太阳黑子混沌序列预测\t89
4．5 本章小结\t91
参考文献\t91
第5章 混沌时间序列抵抗预测方法\t94
5．1 引言\t94
5．2 序列自相关分析与去除法\t95
5．3 基于相空间重构K-L变换的混沌序列相关性去除法\t96
5．3．1 K-L变换原理\t96
5．3．2 Logistic二值序列的产生及其K-L变换\t97
5．3．3 K-L变换前后混沌序列预测对比分析\t99
5．3．4 K-L变换前后自相关分析\t103
5．3．5 频谱分析\t106
5．3．6 时频分析\t108
5．3．7 周期及复杂度分析\t109
5．4 基于双重K-L变换的混沌时间序列相关性去除法\t109
5．4．1 双重K-L变换方法\t109
5．4．2 自相关分析\t110
5．4．3 频谱分析\t114
5．4．4 周期及复杂度分析\t115
5．5 本章小结\t116
参考文献\t116
第6章 混沌时间序列预测与抵抗预测的结论与展望\t118