李瑞国
- 作品数：8 被引量：46H指数：4
- 供职机构：新疆大学电气工程学院更多>>
- 发文基金：国家自然科学基金国家重点实验室开放基金更多>>
- 相关领域：自动化与计算机技术理学更多>>
- 基于Hermite神经网络的混沌时间序列预测被引量：2
- 2016年
- 针对混沌时间序列的混沌性,提出一种改进的相空间重构方法——交集寻优法;针对传统的BP神经网络、RBF神经网络及AR模型对混沌时间序列预测效率和预测精度较低的缺点,提出两种不同的Hermite神经网络预测模型。以四阶蔡氏电路为模型,结合粒子群算法建立预测模型。仿真结果表明,利用交集寻优法进行相空间重构能很好地保留原系统的动力学特性,证实了该方法的有效性;Hermite神经网络较传统的预测模型精度更高,便于基于粒子群算法的Hermite神经网络预测方法的推广和应用。
- 李瑞国张宏立王雅
- 关键词：相空间重构粒子群算法混沌时间序列预测
- 基于反馈教学优化算法的混沌系统参数辨识被引量：6
- 2015年
- 针对传统智能优化算法对混沌系统参数辨识精度低、速度慢的问题,提出一种基于反馈教学优化算法的混沌系统参数辨识的新方法。该方法以教学优化算法为基础,在教授-学习阶段之后加入反馈阶段,同时将参数辨识问题转化为参数空间上的函数优化问题。分别以三维二次自治广义Lorenz系统、Jerk系统和Sprott-J系统为待辨识模型,对粒子群优化算法、量子粒子群优化算法、教学优化算法及反馈教学优化算法进行了对比实验,反馈教学优化算法辨识误差为零,搜索次数明显减少。仿真结果表明,反馈教学优化算法明显提高了混沌系统参数辨识精度和速度,验证了该算法的可行性和有效性。
- 李瑞国张宏立王雅
- 关键词：混沌系统参数辨识
- 基于改进教学优化算法的混沌系统参数辨识被引量：4
- 2016年
- 针对传统智能优化算法对混沌系统参数辨识精度低、速度慢的问题,以教学优化算法为基础,通过在其教授-学习阶段后加入反馈阶段,提出一种基于改进教学优化算法的混沌系统参数辨识方法。分别以Jerk系统和Sprott-J系统为模型,利用改进教学优化算法辨识混沌系统的未知参数。与传统的粒子群优化算法、量子粒子群优化算法及教学优化算法辨识做比较。仿真结果表明,改进教学优化算法明显提高了混沌系统参数辨识精度和速度,验证了该方法的可行性和有效性。
- 李瑞国张宏立王雅
- 关键词：混沌系统参数辨识
- 基于粒子群算法的RBF神经网络齿轮磨损预测被引量：4
- 2016年
- 针对机械设备磨损难以预测问题,提出RBF神经网络预测模型,并结合粒子群算法优化模型参数。利用变速箱型号为SG135-2系列的K727840ZW齿轮磨损实验输入-输出数据,通过基于粒子群算法的RBF神经网络建立输出预测模型,并与传统的AR模型、BP神经网络模型及Hermite神经网络模型预测作比较。仿真结果表明,基于粒子群算法的RBF神经网络模型结构简单、预测精度高,验证了所提方法的有效性和实用性。
- 王雅孙耀宁李瑞国
- 关键词：RBF神经网络粒子群算法齿轮磨损
- 基于量子粒子群优化算法的新型正交基神经网络分数阶混沌时间序列单步预测被引量：2
- 2015年
- 针对分数阶混沌时间序列预测精度低、速度慢的问题,提出了基于量子粒子群优化(QPSO)算法的新型正交基神经网络预测模型。首先,在Laguerre正交基函数的基础上提出一种新型正交基函数,并结合神经网络拓扑构成新型正交基神经网络;其次,利用QPSO算法优化新型正交基神经网络参数,将参数优化问题转化为多维空间上的函数优化问题;最后,根据已优化参数建立预测模型并进行预测分析。分别以分数阶Birkhoff-shaw和Jerk混沌系统为模型,利用Adams-Bashforth-Moulton预估-校正法产生混沌时间序列作为仿真对象,进行单步预测对比实验。仿真表明,与反向传播(BP)神经网络、径向基函数(RBF)神经网络及普通的新型正交基神经网络相比,基于QPSO算法的新型正交基神经网络的平均绝对值误差(MAE)、均方根误差(RMSE)明显减小,决定度系数(CD)更接近于1,平均建模时间(MMT)明显缩短。实验结果表明,基于QPSO算法的新型正交基神经网络提高了分数阶混沌时间序列预测的精度和速度,便于该预测模型的应用和推广。
- 李瑞国张宏立王雅
- 关键词：正交基神经网络量子粒子群优化算法分数阶混沌时间序列预测
- 基于量子粒子群的全参数连分式混沌时间序列预测被引量：11
- 2016年
- 针对传统混沌时间序列预测模型的复杂性、低精度性和低时效性的缺点,在倒差商连分式基础上提出全参数连分式模型,并利用量子粒子群优化算法优化模型参数,将参数优化问题转化为多维空间上的函数优化问题.以二阶强迫布鲁塞尔振子和三维二次自治广义Lorenz系统为模型,通过四阶Runge-Kutta法产生混沌时间序列,并利用基于量子粒子群优化算法的全参数连分式、BP神经网络和RBF神经网络分别对混沌时间序列进行单步和多步预测.仿真结果表明,基于量子粒子群优化算法的全参数连分式结构简单、精度高、效率高,该预测模型可被推广和应用.
- 张宏立李瑞国范文慧王雅
- 关键词：量子粒子群优化算法混沌时间序列预测
- 基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测被引量：15
- 2015年
- 针对传统预测模型对混沌时间序列预测精度低、收敛速度慢及模型结构复杂的问题,提出了基于改进教学优化算法的Hermite正交基神经网络预测模型.首先,将自相关法和Cao方法相结合对混沌时间序列进行相空间重构,以获得重构延迟时间向量;其次,以Hermite正交基函数为激励函数构成Hermite正交基神经网络,作为预测模型;最后,将模型参数优化问题转化为多维空间上的函数优化问题,利用改进教学优化算法对预测模型进行参数优化,以建立预测模型并进行预测分析.分别以Lorenz系统和Liu系统为模型,通过四阶Runge-Kutta法产生混沌时间序列作为仿真对象,并进行单步及多步预测对比实验.仿真结果表明,与径向基函数神经网络、回声状态网络、最小二乘支持向量机及基于教学优化算法的Hermite正交基神经网络预测模型相比,所提预测模型具有更高的预测精度、更快的收敛速度和更简单的模型结构,验证了该模型的高效性,便于推广和应用.
- 李瑞国张宏立范文慧王雅
- 关键词：混沌时间序列
- 基于相空间重构的Bernstein神经网络混沌序列预测被引量：3
- 2016年
- 针对传统BP神经网络、RBF神经网络及AR模型预测精度不高、结构复杂,提出了相空间重构与Bernstein神经网络组合预测的新方法,并结合PSO算法进行组合预测模型的参数优化。分别以Sprott-J混沌系统和交通流系统为模型,利用自相关法和Cao方法相结合对混沌时间序列进行相空间重构;利用重构时间延迟相量及Bernstein神经网络建立预测模型,并与传统的BP神经网络、RBF神经网络及AR模型进行对比分析。仿真结果表明,相空间重构与Bernstein神经网络组合预测较传统模型结构简单、模拟效果好、预测精度高。
- 张宏立李瑞国范文慧
- 关键词：相空间重构PSO算法混沌时间序列预测
