(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210949704.8 (22)申请日 2022.08.09 (71)申请人 南京邮电大 学 地址 210023 江苏省南京市栖霞区文苑路9 号 (72)发明人 隋永波　高辉　蒋国平　陈璐　 徐霄　杨璐彤　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 韩红莉 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/10(2012.01) G06N 7/08(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于混合学习网络的混沌时间序列预 测方法及系统 (57)摘要 本发明公开一种基于混合学习网络的混沌 时间序列预测方法及系统， 利用预先训练的混合 学习网络模 型对混沌系统时间序列进行预测， 混 合学习网络模型输出混沌系统时间序列的预测 值； 预先训练混合学习网络模型的输入权重矩 阵： 对混沌系统时间序列进行采样， 获得混沌系 统时间序列样本值； 利用虚假临近法和互信息 法， 估计混沌系统 时间序列 样本值的最优时延和 最优嵌入维度； 利用混沌系统时间序列样本值， 搭建混合学习网络模型； 对混合学习网络模型的 输入权重矩阵进行预先训练； 利用混合惩戒网 络， 估计混合学习网络模型的输出权重矩阵， 获 得最终的混合学习网络模型， 为实现非线性混沌 系统时间序列的分析提供了技 术支撑。 权利要求书7页 说明书15页 附图2页 CN 115018219 A 2022.09.06 CN 115018219 A 1.一种基于混合学习网络的混沌时间序列预测方法， 其特 征在于， 包括： 利用预先训练的混合学习网络模型对采样 获得的混沌系统时间序列进行预测， 混合学 习网络模型输出混沌系统时间序列的预测值； 预先训练混合学习网络模型包括预 先训练混合学习网络模型的输入权 重矩阵； 预先训练混合学习网络模型的输入权 重矩阵， 通过以下步骤实现： 对混沌系统时间序列进行采样， 获得混沌系统时间序列样本值； 利用虚假临近法和互信 息法， 估计混沌系统时间序列样本值的最优时延和最优嵌入维 度； 利用混沌系统时间序列样本值， 搭建 混合学习网络模型； 对混合学习网络模型的输入权 重矩阵进行 预先训练； 利用混合惩戒网络， 估计混合学习 网络模型的输出权重矩阵， 获得最终的混合学习 网 络模型。 2.根据权利要求1所述的一种基于混合学习网络的混沌时间序列预测方法， 其特征在 于， 利用混沌系统时间序列样本值， 搭建 混合学习网络模型， 通过以下步骤实现： 混合学习网络模型的结构包括输入层、 隐含层和输出层； 设定隐含层包含的神经元数目 M、 输入层包含的神经元数目 L、 缩放尺度系数 α、 隐含层 内部连接矩阵的谱半径 ρ和混合学习网络模型的预测步数 h； 随机生成混合学习网络模型 的输入权重矩阵Win∈ L×M和隐含层内部神经元连接权重 矩阵W∈RM×M； 搭建混合学习网络模型：    (1)， 其中， u(t)为输入混合学习网络模型的混沌系统时间序列样本值矩阵， y( t)为混合学 习网络模 型输出的混沌系统 时间序列样 本值的预测值， t=1,2,3,…,T，T为输入混合学习网 络模型的混沌系统时间序列样本值总数； 为输入混合学习网络模型的第1个混沌系统时间序列样本值， 为输入混合学 习网络模型的第2个混沌系统时间序列样本值， 为输入混合 学习网络模型的第3个混沌 系统时间序列样本值， 为输入混合学习网络模型的第 L个混沌系统时间序列样本值； 为混合学习网络模型输出的第 L+1个混沌系统时间序列样本值的预测值， 为混合学习网络模型输出的第 L+2个混沌系统时间序列样本 值的预测值， 为 混合学习网络模型输出的第 L+h个混沌系统时间序列样本值的预测值。 3.根据权利要求1所述的一种基于混合学习网络的混沌时间序列预测方法， 其特征在 于， 对混合学习网络模型的输入权 重矩阵进行 预先训练， 通过以下步骤实现： 1） 赋值混合学习网络模型的输入权重矩阵的滑动阈值的最大迭代次数 、 学习率μ、 滑动阶数 p、 输入层中的神经 元数目L、 隐含层中的神经 元数目M和初始滑动阈值 ；权　利　要　求　书 1/7 页 2 CN 115018219 A 22） 计算第 k次输入隐含层第 m个神单元的混沌系统时间序列样本值在第 n次迭代的输出 值 ； 3） 计算并更新输入层中第 l个神经元与隐含层中第 m个神经元之间在第 n次迭代的连接 权重 ； 4） 计算并更新输入层中第 l个神经元与隐含层中第 m个神经元之间连接权重在第 n次迭 代的滑动阈值 ； 5） 判断当前迭代次数是否达到预设的最大迭代次数 ， 若当前迭代次数未达到预 设的最大迭代次数 ， 则当前迭代次数的值增 加1， 返回步骤2） ， 否则结束运行； 6） 判断m是否达到隐含层中的神经元数目 M， 若没有达到， 则 m的数值增加1， 返回步骤 2） ， 否则结束运行； 7） 判断l是否达到输入层中神经元数目 L， 若没有达到， 则 l的数值增加1， 返回步骤2） ， 否则结束运行。 4.根据权利要求3所述的一种基于混合学习网络的混沌时间序列预测方法， 其特征在 于， 计算并更新输入层中第 l个神经元与隐含层中第 m个神经元之间在第 n次迭代的连接权 重 ， 通过以下步骤实现： 计算输入层中第 l个神经元与隐含层中第 m个神经元 之间的连接权重 在n次迭代 需要的权 重差值 ： （3） 其中， 为第k次输入隐含层中第 m个神经元的混沌系统时间序列样本值在 n次 迭代的输出值， k∈[1,L]， 为第k次输入隐含层 中第m个神经元的混沌系统时间序 列样本值在 n次迭代的滑动阈值， ， ， ； 表示学习率； 为最大迭代次数； ul(k)为第k次输入隐含层中第 m个神经元的混沌系 统时间序列样 本值的第 l个元素， 为输入层中第 l个神经元与隐含层中第 m个神经元 之间在n‑1次迭代更新的连接 权重； 计算输入层中第 l个神经元与隐含层中第 m个神经元之间在第 n次迭代更新的连接权重 ：                   (4)。 5.根据权利要求3所述的一种基于混合学习网络的混沌时间序列预测方法， 其特征在 于，权　利　要　求　书 2/7 页 3 CN 115018219 A 3