基于核自适应滤波器的时间序列在线预测研究综述

核自适应滤波器(Kernel adaptive filter,KAF)是时间序列在线预测的重点研究领域之一,本文对核自适应滤波器的最新进展及未来研究方向进行了分析和总结.基于核自适应滤波器的时间序列在线预测方法,能较好地解决预测、跟踪问题.本文首先概述了三类核自适应滤波器的基本模型,包括核最小均方算法、核递归最小二乘算法和核仿射投影算法(Kernel affine projection algorithm,KAPA).在此基础上,从核自适应滤波器在线预测的内容和机理入手,综述基于核自适应滤波器的时间序列在线预测方法.最后,本文将介绍这一领域潜在的研究方向和发展趋势,并展望未来的挑战.

动态神经网络在变形预报中的应用

静态神经网络模型用于在线时间序列的预报时具有局限性,即网络的泛化能力有限,且模型不能不断地适应新增样本的变化。如果每增加一个样本对神经网络重新训练,需要大量的计算时间。针对该问题,提出了动态神经网络预报模型。在获得新增样本数据之后,通过比较预报值与实际值之差的绝对值是否大于ε敏感因子,决定模型是否需要修正。为了降低模型修正的计算时间,提出了在线动态修正方法,实现了增加样本而矩阵阶数不增加,且避免了矩阵求逆运算,理论上可以提高计算效率。通过实例表明,该方法在计算时间和预报精度两个方面都具有一定优势,可应用于在线实时变形预报及相关领域。

动态最小二乘支持向量机学习算法

针对大样本集的训练问题和动态训练样本的模型更新问题,提出了动态最小二乘支持向量机学习算法。该算法充分利用已建好的模型,逐渐加入新样本,并可删除位于任何位置的非支持向量,避免了矩阵求逆运算,保证了算法的高效率。大坝变形及电离层延迟两个时间序列的预报实例表明,该算法具有计算时间短、预报精度高的特点。