第 1章 混沌的基本理論\t1
1.1 混沌的起源和發展\t1
1.2 混沌的定義\t2
1.2.1 李天岩 約克(Li-Yorke)混沌的定義\t2
1.2.2 Devaney混沌的定義\t3
1.3 混沌的主要特點\t3
1.4 混沌繫統的主要模型\t4
參考文獻\t6
第 2章 混沌時間序列預測的基本理論與方法\t8
2.1 混沌時間序列預測理論研究的意義\t8
2.2 混沌時間序列預測的國內外研究現狀\t9
2.2.1 線性時間序列的預測模型\t9
2.2.2 非線性時間序列預測模型\t9
2.3 相空間重構理論\t13
2.4 幾種基本的混沌時間序列預測方法\t14
2.4.1 全局預測法\t14
2.4.2 局域預測法\t15
2.4.3 自適應預測法\t16
2.5 本章小結\t16
參考文獻\t16
第3章 基於最小二乘支持向量機動態選擇集成混沌時間序列預測方法\t22
3.1 引言\t22
3.2 支持向量回歸機算法\t23
3.2.1 SVR基本模型\t24
3.2.2 最小二乘支持向量機模型\t27
3.3 集成學習的基本框架\t28
3.3.1 集成學習的基本原理\t28
3.3.2 集成學習機的分類\t30
3.4 回歸集成算法\t34
3.4.1 回歸集成學習\t34
3.4.2 自適應動態選擇集成回歸算法\t36
3.4.3 自適應動態選擇算法\t38
3.5 混沌相空間重構\t38
3.6 基於自適應動態選擇LS-SVM集成混沌時間序列預測算法\t40
3.7 測試分析與比較\t41
3.7.1 Lorenz混沌時間序列預測\t41
3.7.2 Hénon混沌時間序列預測\t46
3.7.3 Mackey-Glass混沌時間序列的6步以及80步直接預測\t49
3.7.4 太陽黑子混沌時間序列預測\t53
3.8 本章小結\t55
參考文獻\t55
第4章 基於變異粒子群聯合參數優化多尺度核混沌時間序列預測方法\t57
4.1 引言\t57
4.2 核理論及核函數構造\t58
4.2.1 多核學習:多尺度核方法\t60
4.2.2 多核機器的學習方法\t62
4.3 基於多尺度逃逸粒子群優化的聯合參數優化算法\t64
4.3.1 粒子群基本原理\t64
4.3.2 多變異逃逸粒子群算法\t66
4.3.3 多尺度逃逸算法的優化機理及收斂性分析\t70
4.3.4 基於多尺度逃逸PSO聯合參數多核支持向量機優化混沌預測\t72
4.4 測試分析與比較\t75
4.4.1 Lorenz混沌時間序列\t75
4.4.2 Hénon混沌時間序列預測\t81
4.4.3 Mackey-Glass 混沌時間序列的6步以及80步直接預測\t84
4.4.4 太陽黑子混沌序列預測\t89
4.5 本章小結\t91
參考文獻\t91
第5章 混沌時間序列抵抗預測方法\t94
5.1 引言\t94
5.2 序列自相關分析與去除法\t95
5.3 基於相空間重構K-L變換的混沌序列相關性去除法\t96
5.3.1 K-L變換原理\t96
5.3.2 Logistic二值序列的產生及其K-L變換\t97
5.3.3 K-L變換前後混沌序列預測對比分析\t99
5.3.4 K-L變換前後自相關分析\t103
5.3.5 頻譜分析\t106
5.3.6 時頻分析\t108
5.3.7 周期及復雜度分析\t109
5.4 基於雙重K-L變換的混沌時間序列相關性去除法\t109
5.4.1 雙重K-L變換方法\t109
5.4.2 自相關分析\t110
5.4.3 頻譜分析\t114
5.4.4 周期及復雜度分析\t115
5.5 本章小結\t116
參考文獻\t116
第6章 混沌時間序列預測與抵抗預測的結論與展望\t118