基于时空径向基函数神经网络的混沌时间序列预测
机器学习
2019-08-23 v1 机器学习
数据分析、统计与概率
摘要
由于动态特性，混沌时间序列难以预测。传统信号处理方法仅从时域或空间域单一角度处理信号。信号的时空分析通过利用时间和空间两个域的信息，相比传统单维度方法具有更多优势。本文提出一种用于混沌时间序列预测的径向基函数（RBF）神经网络的时空扩展。所提算法利用时空正交性概念，分别处理混沌序列的时间动态和空间非线性（复杂性）。针对 Mackey-Glass 时间序列预测，探索了所提出的 RBF 架构，并将结果与标准 RBF 进行比较。结果表明，时空 RBF 显著降低了估计误差，性能优于标准 RBFNN。
引用
@article{arxiv.1908.08389,
title = {Chaotic Time Series Prediction using Spatio-Temporal RBF Neural Networks},
author = {Alishba Sadiq and Muhammad Sohail Ibrahim and Muhammad Usman and Muhammad Zubair and Shujaat Khan},
journal= {arXiv preprint arXiv:1908.08389},
year = {2019}
}
备注
Published in: 2018 3rd International Conference on Emerging Trends in Engineering, Sciences and Technology (ICEEST). arXiv admin note: substantial text overlap with arXiv:1908.01321