基于组合NARX神经网络的非平稳含噪混沌时间序列在线预测

作     者：葛佳昊 向锦武 李道春 

作者机构：北京航空航天大学航空科学与工程学院 

出 版 物：《航空学报》 (Acta Aeronautica et Astronautica Sinica)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 070201[理学-理论物理] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0702[理学-物理学] 

基　　金：国家资助博士后研究人员计划(GZC20233371) 

主　　题：含噪非平稳混沌时间序列 组合神经网络 NARX神经网络 改进小波包去噪 在线预测 

摘      要：针对混沌时间序列演化复杂，和数据非平稳特征及噪声严重影响混沌时间序列短期预测精度的问题，提出了基于前向差分、改进小波包去噪和外因输入的非线性自回归网络(FD-IWPD-NARX)的非平稳含噪混沌时间序列(NNCTS)在线组合预测方法。在滚动时域框架下，采用前向差分平稳窗口内时间序列数据，改进小波包去噪阈值函数改善数据去噪效果，最后通过串并行闭环NARX神经网络对平稳去噪的混沌时间序列进行训练和测试。结果表明，前向差分和提出的改进小波包去噪可以有效提升NARX神经网络的预测性能；与不分窗NARX神经网络、循环神经网络(RNN)和标准长短期记忆网络(LSTM)相比，FD-IWPD-NARX网络可基于少量数据完成模型训练，在预测精度方面具有优势，且每窗模型的训练平均时长缩短至0.12s，具有在线应用潜力。