TY - A2的高,Junbin盟——Badjate桑杰l . AU - Dudul桑杰v . PY - 2009 DA - 2009/07/16 TI -小说FTLRNN伽马内存短期和长期预测混沌时间序列的SP - 364532六世- 2009 AB -多步向前预测混沌时间序列是一个艰巨的任务,近年来吸引了越来越大的兴趣。对这项工作的兴趣发展的非线性神经网络模型建立多步混沌时间序列预测的目的。在文献中有多种不同的方法,但他们的成功取决于个人的预测性能的方法。也最受欢迎的神经模型是基于统计和传统前馈神经网络。但看到这种神经模型可能存在一些缺点,当长期预测是必需的。本文集中时滞递归神经网络(FTLRNN)不同预测模型与γ记忆是发达的视野。可以看出这个预测执行非常好短期预测以及中期预测。对耦合偏微分方程生成的混沌时间序列,如麦基玻璃和达芬,FTLRNN-based预测始终执行不同深度的预测从短期到长期的,只有轻微恶化后k是增加超过50岁。对现实世界的高度复杂的非平稳的时间序列和太阳黑子和激光一样,虽然提出了短期和中期预测并进行合理预测,其预测能力下降长期预测。然而,这仍是最好的预测结果考虑到事实的非平稳时间序列。 As a matter of fact, no other NN configuration can match the performance of FTLRNN model. The authors experimented the performance of this FTLRNN model on predicting the dynamic behavior of typical Chaotic Mackey-Glass time series, Duffing time series, and two real-time chaotic time series such as monthly sunspots and laser. Static multi layer perceptron (MLP) model is also attempted and compared against the proposed model on the performance measures like mean squared error (MSE), Normalized mean squared error (NMSE), and Correlation Coefficient ( r )。标准的动量项的bp算法已被用于这两个模型。SN - 1687 - 9724 UR - https://doi.org/10.1155/2009/364532 - 10.1155 / 2009/364532摩根富林明应用计算智能和软计算PB - Hindawi出版公司KW - ER