基于在线支持向量极端学习机的非平稳时间序列预测
时间序列分析和预测己在现代信号处理领域得到越来越多的关注.针对实际中广泛存在的非平稳时间序列的预测问题,提出一种在线支持向量极端学习机预测模型.该预测模型采用新型神经网络-极端学习机的隐含层映射代替支持向量机的核映射,综合了极端学习机结构简单、训练简便以及支持向量机泛化能力强的优势.同时为实现在线实时预测,设计了一种在线更新算法对预测模型的权值进行在线更新.基于非平稳Mackey-Glass混沌时间序列和现代金融时间序列的预测仿真实验证明所提方法的有效性.
非平稳时间序列 实时预测 在线支持向量机 极端学习机
王新迎 韩敏
大连理工大学,电子信息与电气工程学部,大连,116023
国内会议
成都
中文
434-438
2013-10-01（万方平台首次上网日期，不代表论文的发表时间）