基于Elman神经网络的气温时间序列预测
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
系统,给定初值 0,即可得到混沌时间序列
(
)。前 300 个数据用来训练网络,
后 40 个数据与预测值作比较。
仿真预测结果如图 2,图 3 所示。由图可
图 1 Elman 网络结构图
(1) 其中 , , ,分别为结构单元到隐层、 输入层到隐层以及隐层到输出层的连接权矩
图2 logistic混沌映射预测
图3 logistic混沌映射误差 见,动态递归 Elman 神经网络的预测精度是很 高的。其次,再用 Elman 神经网络对某市的气 温数据(1997.11~1999.12)进行预测。其中 (1997.11~1999.10)气温数据用来训练网络, 后 60 个数据与预测值作比较。仿真预测结果 如图 4,图 5 所示。
许令周 (中国石油大学物理科学与技术学院 山东东营 257062)
摘 要:采用两种方法对条状偶极层的电场进行了计算,重点讨论了采用旋度源理论计算的方法及其意义。
关键词:偶极层 旋度源
中图分类号: O 4
文献标识码: A
文章编号:1673-0534(2007)09(a)-0005-01
条状偶极层是指可以看成宽度为 ,长 度无限长的偶极层, 从剖面上看是一条线, 如 图 1 , 设其单位面积上的电动势为 , 分布均 匀。
络有(1)式成立
阵, 、 分别为输出层单元和隐层单元 的激发函数组成的非线性向量函数。从(1)式 中可得
(2) 动态学习算法:考虑目标函数
(3)
对于隐层到输出层的连接权矩阵
其中
(4)
(5) 对于输入层到隐层的连接权矩阵 有
环节, 这些反馈环节是通过结构单元的延迟,
存储和自联到隐层的输入端,用于记忆隐层的
过去态。并在下一时刻连同网络输入一起做
为隐层单元的输入,使得网络具有动态记忆功
能。这种结构对于上下文结构关系具有敏感
性, 有利于动态过程的建模。设网络的外部
输入
,输出
,W 为 n 维的神
经网络连接权系数。则对于基本的 Elman 网
沌海杂波弱信号测.现代雷达[J].2004(29): 50-53.
科技咨询导报 Science and Technology Consulting Herald
5
参考文献
[1] 关继腾,房文静.电磁场理论[M].东营:石 油大学出版社,2001.
[2] 测井学编写组.测井学[M].北京:石油工业 出版社,1998.
图 2 偶极层边缘形成旋度源
(5)
式中 的方向是使回路内部的面积在它
图 3 砂、泥岩剖面中偶极源的分布
间序列进行了预测, 并分析了预测误差。结果显示 E l m a n 神经网络对非线性时间序列具有良好的预测特性。
关键词:Elman 神经网络 气温时间序列 Logistic 混沌映射
中图分类号: N 3
文献标识码: A
文章编号:1673-0534(2007)09(a)-0004-02
目前神经网络的研究与应用已遍及各个 领域,无论在自然科学和经济领域都得到了广 泛的应用。在非线性或混沌时间序列方面, 对其进行性能分析,建模和预测是目前非线性 科学研究的热点。由于非线性时间序列具有 对初值的敏感性和长期不可预测性,分维数及 正的最大李亚谱诺夫指数等特点,近年来人们 已经提出了许多非线性或混沌时间序列的预 测方法。大致可分为神经网络预测方法, 局 域预测法, 自适应滤波预测法, 及局部投映预 测法。在这些预测方法中,局部投映预测法计 算量较大,局域预测法柔韧性较好,而 Elman 神经网络是一种典型的动态神经网络,它在前 馈神经网络基本结构基础上,通过引入反馈单 元使其具备动态存储功能,对非线性系数有很 强的逼近能力,更适合于非线性系统的建模与 预测。本文采用动态递归 Elman 神经网络对 Logistic混沌映射时间序列及太原市气温时间 序列进行预测。
图 4 最高气温预测
图 5 最低气温预测
3 结语
由仿真结果可知,采用动态递归 Elman 神 经网络对Logistic混沌映射时间序列及气温时 间序列进行预测是完全可行的,对气温的预测 误差比对Logistic混沌映射时间序列预测误差 大,其主要原因是气温数据中含有季节项。总 之,Elman 神经网络对非线性时间序列具有良 好的非线性拟合特性, 柔韧性好, 非常适合于 非线性系统的建模与预测。
(2)
方法就比标量势理论优越。 例如,在自然电位测井中,图 3 所示为砂、
空间 点的 方向的电场为
泥岩剖面的一段。设井具有轴对称性,假定冲
洗带中钻井液对地层水的置换是完全的,偶极 (3) 层不在砂岩井壁而在砂岩内侵入带的边缘。
现在我们看条状偶极层的另外一种算法。
为简单起见, 只在偶极层的正侧标以
单的多。而且这种方法为自然电位测井反演提
供了一种思路,就是反演偶极层的边缘分布,而
避免反演没有意义的偶极层形状分布[2]。
2 结语
在电磁场理论教学中,有部分同学问已经 掌握了电磁场的基本算法,尤其对一些简单模 型,研究更多的计算方法有什么意义?事实上 对一些简单模型, 如条状偶极层、自然电位 测井, 能扩展人们的的思想, 是很有必要的。
(8)
(1)
即:
是真空中的介电常数, 为条状偶极
(9)
层对 点所张的立体角,由此式可判断偶极层 只要边缘确定, 其形状可变化, 即形状没有意 义。空间 点的标势 , 由立体角确定为
从本例看, 采用旋度源的方式进行计算, 并不比采用立体角计算简便多少。但事实 上, 在偶极层呈现复杂分布的时候, 有时这种
京:机械工业出版社[M].2004,5. [2] 张兴会,刘玲.应用Elman神经网络的混沌
时间序列预测.化东理工大学学报[J],2002 (28).
[3] 张丽红,王艳.基于回归神经网络自适应快 速BP算法.计算机测量与控制[J].2004,12 (5):480-482.
[4] 谢红梅,俞卞章.基于神经网络预测器的混
考虑偶极层外电场力所做的功 W ,如图 2
图 4 同图 3, 其中柱面偶极层变成平面偶极层
偶极层可以变形的特点, 由图 3 可变到图 4 。
由图 4 可用常规算法计算出井轴的电场分
布, 但是很麻烦。若把井轴的场看作由位于
A 、B 、C 、D 四点强度分别为
、
、
、
的
点旋度源产生的场而采用矢量势计算,则要简
“+ ”号, 图中标明了空间七个偶极层的位置
1 电偶极层的旋度源理论
(从剖面上看是线偶极层),这样多的偶极层给
偶极层在空间的电场强度 始终满足场 计算带来很大的麻烦。为减少计算量, 根据
方程
(4)
由 Helmholtz 定理,在空间某些点上 的 旋度必然不为 0 。
参考文献
[1] Simon Haykin 著.神经网络原理[M].北
4
科技咨询导报 Science and Technology Consulting Herald
高 新 技 术
科技咨询导报 2007 NO.25
Science and Technology Consulting Herald
条状电偶极层的电场的旋度源理论及其意义
其中
(6)
(7) 对于结构单元到隐层单元的连接矩阵 有
其中
(8)
(9)
2 仿真研究
首先对logistic混沌映射
进行预测仿真,以验证动态递归 Elman 神经网
络的性能。当取 时,logistic系统为混沌
1 Elman神经网络结构及算法
Elman 神经网络是 Elman 于 1990 年针对
语音信号处理问题提出的,它是一种典型的局
部递归网络, 比较适合于时间序列的处理。
基本的 Elman 神经网络结构如图1所示。主
要由输入层、隐层, 连接层和输出层组成, 是
在基本的 BP 网络基础上增加了一个内部反馈
图 1 条状偶极层 常规算法是先算静电标势,然后再通过标 势算电场。静电标势可简化成立体角的计 算。整个电偶极括 A 点, 则 W = - 如果回路包括 B 点, 则 W = 如果回路既不包括点, 又不包括点, 则。 所以,图 1 的偶极层产生的场从剖面上可
科技咨询导报 2007 NO.25 Science and Technology Consulting Herald 基于 Elman 神经网络的气温时间序列预测
高 新 技 术
林希 张政 (西安航空高等技术专科学校 西安 7 1 0 0 7 7 )
摘 要:利用动态递归 Elman 神经网络的具有结构简单,运算量少,适合于动力系统辩识等特点,对 Logistic 混沌映射时间序列及气温时
看作由两个点旋度源(实际是无限长直线旋度 源)产生,它们位于偶极层的边缘,位置和强度 为: A 点、强度为 - , 和 B 点、强度为 - , 方向是垂直纸面向外为 方向,用 表示 单位矢量。此时的电场分布规律和磁场相 似,为
(7)
因为场源非常简单, 不用引入矢量势, 而 直接用两个无限长直线旋度源产生的场进行 叠加。在 点产生的 方向的场可直接写出