編輯推薦
《非線性時間序列線上預測建模與仿真》主要讀者為高等院校自動化、計算機套用、電子工程和信息工程等專業研究生和高年級本科學生，也可供相關領域的工程技術人員和科學研究工作者參考使用。
內容簡介
從時間序列預測算法的實時性和預測精度出發，而且考慮實際觀測數據存在隨機缺失和隨機延時的事實，本書較為系統地介紹了非線性濾波方法線上訓練下基於智慧型信息處理技術的時間序列預測建模和仿真新方法。
全書共分7章，內容包括基於多層感知神經網路的時間序列線上預測、基於徑向基函式神經網路的時間序列線上預測、基於最小二乘支持向量機模型的時間序列線上預測、基於單乘法神經元模型的時間序列線上預測、觀測信號隨機缺失下的時間序列線上預測和觀測信號隨機延時下的時間序列線上預測等。本書取材新穎、內容豐富、深入淺出、理論聯繫實際，論述嚴謹。對所有的思想和方法，都用真實數據集或模擬數據集進行了仿真比較。可以在時間序列預測理論研究與工程套用上給讀者帶來啟發與幫助。本書主要讀者為高等院校自動化、計算機套用、電子工程和信息工程等專業研究生和高年級本科學生，也可供相關領域的工程技術人員和科學研究工作者參考使用。
目錄
第1章 緒論1
1.1 引言1
1.2 時間序列預測研究歷史及意義2
1.3 時間序列預測套用前景4
1.4 時間序列預測研究方法概況5
1.4.1 傳統時間序列預測方法5
1.4.2 人工神經網路方法6
1.4.3 支持向量機方法7
1.4.4 其他方法8
1.5 時間序列線上預測方法研究現狀10
1.5.1 重新建模方法11
1.5.2 動態神經網路方法11
1.5.3 線上支持向量回歸方法11
1.5.4 核自適應濾波方法12
1.6 非線性濾波算法線上訓練下基於智慧型計算技術的時間序列預測方法14
1.7 本書的主要內容與結構安排15
參考文獻17
第2章 非線性濾波理論22
2.1 最小方差估計22
2.2 卡爾曼濾波28
2.3 擴展卡爾曼濾波28
2.3.1 濾波更新32
2.3.2 預測更新33
2.3.3 擴展卡爾曼濾波算法總結33
2.3.4 疊代濾波34
2.4 Unscented卡爾曼濾波3
2.4.1 Unscented變換35
2.4.2 Unscented變換採樣策略37
2.4.3 觀測更新41
2.4.4 預測更新42
2.4.5 Unscented卡爾曼濾波總結42
2.5 高斯粒子濾波43
2.5.1 理想蒙特卡羅仿真44
2.5.2 貝葉斯重要採樣44
2.5.3 觀測更新45
2.5.4 預測更新46
2.5.5 高斯粒子濾波總結47
2.6 小結48
參考文獻48
第3章 基於前饋型神經網路的時間序列線上預測50
3.1 人工神經網路50
3.1.1 神經元50
3.1.2 神經網路聯接形式51
3.1.3 神經網路學習方法52
3.2 多層感知神經網路53
3.2.1 多層感知神經網路結構53
3.2.2 多層感知神經網路學習模型53
3.2.3 實驗結果和分析54
3.2.4 結論58
3.3 徑向基函式神經網路58
3.3.1 徑向基函式神經網路結構59
3.3.2 徑向基函式神經網路學習模型60
3.3.3 實驗結果和分析61
3.4 小結64
參考文獻65
第4章 基於最小二乘支持向量機模型的時間序列線上預測67
4.1 支持向量機理論基礎67
4.1.1 機器學習問題67
4.1.2 統計學理論基礎69
4.1.3 支持向量機71
4.1.4 參數選擇76
4.2 最小二乘支持向量機79
4.3 疊代非線性濾波方法81
4.3.1 疊代擴展卡爾曼濾波81
4.3.2 疊代Unscented擴展卡爾曼濾波82
4.4 基於二乘支持向量機的時間序列線上預測模型83
4.5 發動機系統可靠性預測實驗仿真86
4.5.1 實驗數據86
4.5.2 數據處理和性能指標定義89
4.5.3 模型參數設定89
4.5.4 實驗結果91
4.6 小結94
參考文獻94
第5章 基於單乘法神經元模型的時間序列線上預測97
5.1 單乘法神經元模型97
5.2 基於單乘法神經元模型的風速一步預測98
5.2.1 預測模型98
5.2.2 實驗結果和分析99
5.3 基於單乘法神經元模型的能源消耗數據預測102
5.3.1 實驗數據和數據處理102
5.3.2 實驗結果103
5.4 時間序列線上多步預測105
5.4.1 時間序列線上多步預測模型一106
5.4.2 時間序列線上多步預測模型二106
5.4.3 結論110
5.5 小結110
參考文獻111
第6章 觀測數據隨機缺失下的時間序列線上預測114
6.1 觀測數據隨機缺失114
6.2 觀測數據隨機缺失下的擴展卡爾曼濾波算法116
6.3 觀測數據隨機缺失下的Unscented卡爾曼濾波算法118
6.4 觀測數據隨機缺失下的高斯粒子濾波算法120
6.5 觀測數據隨機缺失下基於多層感知神經網路的時間序列一步預測122
6.5.1 多層感知神經網路預測模型122
6.5.2 實驗仿真122
6.6 觀測數據隨機缺失下基於徑向基函式神經網路的時間序列一步預測122
6.6.1 徑向基函式神經網路預測模型122
6.6.2 實驗仿真123
6.7 基於多層感知神經網路的觀測數據隨機缺失下的
時間序列多步預測126
6.7.1 多層感知神經網路預測模型126
6.7.2 實驗仿真126
6.8 小結133
參考文獻133
第7章 觀測數據隨機延時下的時間序列線上預測136
7.1 觀測數據延時的濾波處理方法136
7.1.1 重複濾波法136
7.1.2 狀態擴維法137
7.2 觀測數據一步隨機延時下的擴展卡爾曼濾波算法138
7.3 觀測數據一步隨機延時下的Unscented卡爾曼濾波算法142
7.4 觀測數據隨機延時下基於徑向基函式神經網路的時間序列多步預測147
7.4.1 徑向基函式神經網路預測模型147
7.4.2 實驗仿真147
7.5 小結150
參考文獻150"
