描述
开 本: 16开纸 张: 胶版纸包 装: 平装是否套装: 否国际标准书号ISBN: 9787118106541
内容简介
从时间序列预测算法的实时性和预测精度出发， 而且考虑实际观测数据存在*缺失和*延时的事 实，伍雪冬*的《非线性时间序列在线预测建模与仿 真》较为系统地介绍了非线性滤波方法在线训练下基 于智能信息处理技术的时间序列预测建模和仿真新方 法。全书共分7章，内容包括基于多层感知神经网络 的时间序列在线预测、基于径向基函数神经网络的时 间序列在线预测、基于*小二乘支持向量机模型的时 间序列在线预测、基于单乘法神经元模型的时间序列 在线预测、观测信号*缺失下的时间序列在线预测 和观测信号*延时下的时间序列在线预测等。
本书取材新颖、内容丰富、深入浅出、理论联系 实际，论述严谨。对所有的思想和方法，都用真实数 据集或模拟数据集进行了仿真比较。可以在时间序列 预测理论研究与工程应用上给读者带来启发与帮助。
本书主要读者为高等院校自动化、计算机应用、 电子工程和信息工程等专业研究生和高年级本科学生 ，也可供相关领域的工程技术人员和科学研究工作者 参考使用。
本书取材新颖、内容丰富、深入浅出、理论联系 实际，论述严谨。对所有的思想和方法，都用真实数 据集或模拟数据集进行了仿真比较。可以在时间序列 预测理论研究与工程应用上给读者带来启发与帮助。
本书主要读者为高等院校自动化、计算机应用、 电子工程和信息工程等专业研究生和高年级本科学生 ，也可供相关领域的工程技术人员和科学研究工作者 参考使用。
目 录
第1章 绪论
1.1 引言
1.2 时间序列预测研究历史及意义
1.3 时间序列预测应用前景
1.4 时间序列预测研究方法概况
1.4.1 传统时间序列预测方法
1.4.2 人工神经网络方法
1.4.3 支持向量机方法
1.4.4 其他方法
1.5 时间序列在线预测方法研究现状
1.5.1 重新建模方法
1.5.2 动态神经网络方法
1.5.3 在线支持向量回归方法
1.5.4 核自适应滤波方法
1.6 非线性滤波算法在线训练下基于智能计算技术的
时间序列预测方法
1.7 本书的主要内容与结构安排
参考文献
第2章 非线性滤波理论
2.1 最小方差估计
2.2 卡尔曼滤波
2.3 扩展卡尔曼滤波
2.3.1 滤波更新
2.3.2 预测更新
2.3.3 扩展卡尔曼滤波算法总结
2.3.4 迭代滤波
2.4 Unscented卡尔曼滤波
2.4.1 Unscented变换
2.4.2 Unscented变换采样策略
2.4.3 观测更新
2.4.4 预测更新
2.4.5 Unscented卡尔曼滤波总结
2.5 高斯粒子滤波
2.5.1 理想蒙特卡罗仿真
2.5.2 贝叶斯重要采样
2.5.3 观测更新
2.5.4 预测更新
2.5.5 高斯粒子滤波总结
2.6 小结
参考文献
第3章 基于前馈型神经网络的时间序列在线预测
3.1 人工神经网络
3.1.1 神经元
3.1.2 神经网络联接形式
3.1.3 神经网络学习方法
3.2 多层感知神经网络
3.2.1 多层感知神经网络结构
3.2.2 多层感知神经网络学习模型
3.2.3 实验结果和分析
3.2.4 结论
3.3 径向基函数神经网络
3.3.1 径向基函数神经网络结构
3.3.2 径向基函数神经网络学习模型
3.3.3 实验结果和分析
3.4 小结
参考文献
第4章 基于最小二乘支持向量机模型的时间序列在线预测
4.1 支持向量机理论基础
4.1.1 机器学习问题
4.1.2 统计学理论基础
4.1.3 支持向量机
4.1.4 参数选择
4.2 最小二乘支持向量机
4.3 迭代非线性滤波方法
4.3.1 迭代扩展卡尔曼滤波
4.3.2 迭代Unscented扩展卡尔曼滤波
4.4 基于二乘支持向量机的时间序列在线预测模型
4.5 发动机系统可靠性预测实验仿真
4.5.1 实验数据
4.5.2 数据处理和性能指标定义
4.5.3 模型参数设置
4.5.4 实验结果
4.6 小结
参考文献
第5章 基于单乘法神经元模型的时间序列在线预测
5.1 单乘法神经元模型
5.2 基于单乘法神经元模型的风速一步预测
5.2.1 预测模型
5.2.2 实验结果和分析
5.3 基于单乘法神经元模型的能源消耗数据预测
5.3.1 实验数据和数据处理
5.3.2 实验结果
5.4 时间序列在线多步预测
5.4.1 时间序列在线多步预测模型一
5.4.2 时间序列在线多步预测模型二
5.4.3 结论
5.5 小结
参考文献
第6章 观测数据随机缺失下的时间序列在线预测
6.1 观测数据随机缺失
6.2 观测数据随机缺失下的扩展卡尔曼滤波算法
6.3 观测数据随机缺失下的Unscented卡尔曼滤波算法
6.4 观测数据随机缺失下的高斯粒子滤波算法
6.5 观测数据随机缺失下基于多层感知神经网络的
时间序列一步预测
6.5.1 多层感知神经网络预测模型
6.5.2 实验仿真
6.6 观测数据随机缺失下基于径向基函数神经网络的
时间序列一步预测
6.6.1 径向基函数神经网络预测模型
6.6.2 实验仿真
6.7 基于多层感知神经网络的观测数据随机缺失下的
时间序列多步预测
6.7.1 多层感知神经网络预测模型
6.7.2 实验仿真
6.8 小结
参考文献
第7章 观测数据随机延时下的时间序列在线预测
7.1 观测数据延时的滤波处理方法
7.1.1 重复滤波法
7.1.2 状态扩维法
7.2 观测数据一步随机延时下的扩展卡尔曼滤波算法
7.3 观测数据一步随机延时下的Unscented卡尔曼滤波算法
7.4 观测数据随机延时下基于径向基函数神经网络的
时间序列多步预测
7.4.1 径向基函数神经网络预测模型
7.4.2 实验仿真
7.5 小结
参考文献
评论
还没有评论。