非线性时间序列在线预测建模与仿真

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