基于进化RBF神经网络的非平稳时间序列分析.pdf

第6卷第2期 电路与系统学报 V016 No．2 2001年6月 JoURNALoFCIRCUITSANDSYSTEMS June．200l 文章墙号：1007．0249(200lJ 02．(001．04 基于进化RBF神经网络的非平稳时间序列分析‘ 解光军1’2庄镇泉1李斌1 中国科学技术大学电子科学与技术系，安徽合肥230026，2台肥L业大学应用物理系，安徽台肥230009 擒■。 针对非线性时问序列中的非平稳数据，本文结合差分平稳化和分阶遗传训练的方法，提出～种新的进化 RBF神经网络结构及其学习算法。算例仿真结果显示，该算法在处理非平稳时间序列问题时具有。定的优越性。 关■调t进化RBF神经网络；非平稳时间序列：预测 中圈分类号·TPl8 文献标识码：A 1 引言 时问序列(timeseries)是一类常见而又重要的数据形式，时间序列分析就是通过对时间序列进 行各种方式的处理，找出其内在的运动规律，以此作为认识和决策的依据，因而具有重要的现实意义。 对时问序列的分析很早就已经出现，尤其是统计学分析．形成了较为完善的系统理论体系(如ARMA 模型等)，但是要做到实时、准确的分析却是一件很困难的事情，因为现实世界中大多数时间序列是 非线性的，而传统的统计学方法在处理非线性问题时存在许多缺陷．因此近年来人们开始采用以神经 网络为代表的智能技术来分析非线性时间序列。 神经网络具有并行式处理，自学习、自组织和自适应性，处理知识的模糊性，神经网络系统复杂 的非线性动力学特性以及容错性和鲁棒性强等特点，神经网络理论中的Kolmogorov连续定理指出： 神经网络来实现。而任何一个时间序列都可以看成是一个由非线性机制确定的输入、输出系统，因此 该理论从数学上保证了神经网络用于时间序列分析的可行性。 可是，在实际应用当中．尤其是金融领域的时间序列(如股票价格、汇率等)，它们不仅是非线 性的而且大多是非平稳的．而以往的工作表明，传统的神经网络方法在处理非平稳时间序列时效果较 差，原因是非平稳序列中隐含了大量的噪声和冗余信息，降低了神经网络的分析精度和准确度。为此， 我们利用差分平稳化的思想改进传统RBF神经网络的结构，并引入分阶遗传的训练方法，构造出一 个新的进化RBF神经网络及其学习算法，通过对实际汇率的预测，证明该网络在处理非平稳时间序 列问题时具有‘定的优越性。 本文首先是简介RBF神经网络和分阶遗传算法的思想，然后详细介绍进化RBF网络的结构及其 学习算法，作为应用实例分析，对美元，新元汇率进行了预测，并与传统神经网络方法进行比较，最 后给出结论。 2 RBF神经网络简介 众所周知，大脑中的许多生物感知运动控制结构是由含局部调整、相互覆盖接收域(或称感受野) Basis Func￡ion，简称 的神经元组成，基于这种思想M00dy和D“ken等人提出了径向基函数(Radial RBF)神经网络模型I“．并已成功应用于复杂函数的近似之中，在系统辨识和控制等领域被广泛使用。 图l所示为RBF网络的拓扑结构，其中有J1个样本，c个径向基函数和，，1个输出单元，而 x∈月”为输入矢量，v，∈月“为中心矢量，对于一组给定的Ⅵ∈月”，每个径向基函数的相应输出为 +牧■日崩，20。o．∞．j0謦订日期。2001．02．27 基盒嘎目-973日束重点基础研究发展规划资助项目(G1998030413) 万方数据 2 电路与系统学报 第6卷 v2 c，吃(·)为基函数，本文取Gauss基函数t即 “r(怦一q∽其中15‘5 G(x)2唧(一≥’ 其[ft盯称为基函数的宽度，||．|