论文部分内容阅读
近年来,自组织映射(Self-organizing Map,SOM)神经网络在时间序列预测方面的应用逐渐受到国内外研究者的广泛关注,已成为具有重要的理论与应用价值的研究热点。作为一种非监督竞争学习型神经网络,SOM神经网络的构造简单直观,其联想记忆技术避免了传统方法易陷入局部最优的问题。本文研究了SOM神经网络的改进方法在时间序列预测方面的应用,以满足现实应用对预测精度的要求,为非监督神经网络在时间序列预测方面的应用扩展了新的空间。本文的主要研究内容包括如下几个方面:(1)研究时间序列预测理论,以及SOM神经网络的结构和算法。将SOM神经网络的联想记忆技术推广到时域,矢量量化临时联想记忆(Vector Quantized Temporal Association Memory,VQTAM)建模技术可实现时间序列预测。(2)提出一类递推SOM方法,包括递推的自组织映射(Recursive Self-organizing Map,RecSOM)方法和适用于结构化数据的结构化数据自组织映射(Self-organizing Map of Structured Data,SOMSD)方法。递推SOM方法利用上下文信息反映数据集的统计特性,其中,RecSOM方法用带时延的反馈表现递推的概念,SOMSD方法利用获胜神经元的网格坐标表示上下文信息,更适用于结构化数据。递推SOM方法应用于交通流预测实例,并在同等情况下与其他预测方法进行对比,结果验证提出的方法是可行的、有效的。(3)在VQTAM建模技术的基础上,提出一类基于SOM神经网络的局部自回归(Auto-regressive,AR)方法。给出具有多个局部线性AR模型的AR-SOM方法,基于前K个获胜神经元用权值代替输入向量建立单一时变局部AR模型的K-SOM方法,以及在完成数据向量聚类的同时,更新多个局部AR模型系数的LLM(Local Linear Map)-SOM方法。相对于全局模型,所提出的方法能够灵活给出有效的监督神经结构,降低了计算复杂度。将其应用于不同的混沌时间序列预测典型实例中,进一步还将其应用于网络流预测实例和视频流预测的实例中,在同等条件下与已有方法比较,实验结果表明,所提出的方法能有效改善预测精度,且性能更好,验证了其有效性与应用潜力。