基于结构参数优化核的非平稳时间序列广义优化策略在线预测
信号处理
2022-05-13 v1 机器学习
摘要
本文研究了再生核希尔伯特空间中由稀疏化技术辅助的在线预测算法在非平稳时间序列上的应用。在线预测算法通常由核结构参数选择与核权向量更新组成。对于结构参数，核字典由具备在线选择性建模准则的稀疏化技术选出，且核协方差矩阵依据协方差矩阵适应进化策略(CMA-ES)被间歇性优化。优化实对称协方差矩阵不仅可通过输入变量的交叉相关性提升核结构的灵活性，还能部分缓解由非平稳时间序列的核字典选择所引起的预测不确定性。为充分捕捉预测误差时间序列中潜在的动态特征，设计了一种广义优化策略，以多种核连接模式顺序构建核字典。该广义优化策略提供了更自洽的方式来构建整体核连接，增强了自适应跟踪变化动态特征的能力。数值仿真表明，所提方法对非平稳时间序列具有优越的预测性能。
引用
@article{arxiv.2108.08180,
title = {Structure Parameter Optimized Kernel Based Online Prediction with a Generalized Optimization Strategy for Nonstationary Time Series},
author = {Jinhua Guo and Hao Chen and Jingxin Zhang and Sheng Chen},
journal= {arXiv preprint arXiv:2108.08180},
year = {2022}
}
备注
Journal article submitted to T-SP