推荐星级：
- 1
- 2
- 3
- 4
- 5
基于相空间重构与最小二乘支持向量机的时延预测
资料介绍
针对网络控制系统的时延预测问题,提出一种基于相空间重构与最小二乘支持向量机的时延预测方法.首先利用0-1测试法确定时延序列具有混沌特性,引入相空间重构技术提高预测精度.对实际采集的时延序列进行Hurst指数分析,选择最小二乘支持向量机作为预测模型.然后利用C-C方法确定时延序列相空间重构参数,通过递归图确定时延序列的局部可预测性,利用遗传算法对最小二乘支持向量机的参数进行离线优化.最后通过优化后的最小二乘支持向量机并结合相空间重构对时延序列进行在线预测.与其它预测方法进行了仿真对比,结果表明本文方法具有更高的预测精度与更小的预测误差,同时并未降低预测算法的实时性.
部分文件列表
| 文件名 | 大小 |
| 基于相空间重构与最小二乘支持向量机的时延预测.pdf | 2M |
部分页面预览
（完整内容请下载后查看）5
Vol． 45 No． 5
May 2017
第
期
电
子
学
报
2017
5
ACTA ELECTRONICA SINICA
年
月
基于相空间重构与
最小二乘支持向量机的时延预测
1
1
1
1
2
， ， ， ，
田中大 张 超 李树江 王艳红 沙 毅
( 1．
，
沈阳工业大学信息科学与工程学院 辽宁沈阳
110870; 2．
，
东北大学计算机科学与工程学院 辽宁沈阳
110819)
:
，
针对网络控制系统的时延预测问题 提出一种基于相空间重构与最小二乘支持向量机的时延预测方
摘
要
．
法 首先利用
0-1
， ．
测试法确定时延序列具有混沌特性 引入相空间重构技术提高预测精度 对实际采集的时延序列进
Hurst
， ．
指数分析 选择最小二乘支持向量机作为预测模型 然后利用
C-C
，
方法确定时延序列相空间重构参数 通过
行
， ．
递归图确定时延序列的局部可预测性 利用遗传算法对最小二乘支持向量机的参数进行离线优化 最后通过优化后的
． ，
最小二乘支持向量机并结合相空间重构对时延序列进行在线预测 与其它预测方法进行了仿真对比 结果表明本文方
，
法具有更高的预测精度与更小的预测误差 同时并未降低预测算法的实时性
．
:
;
;
;
关键词
中图分类号
URL: http: / /www． ejournal． org． cn
网络控制系统 相空间重构 最小二乘支持向量机 时延预测
TP273 0372-2112 ( 2017) 05-1044-08
DOI: 10． 3969 /j． issn． 0372-2112． 2017． 05． 003
:
:
A
:
文章编号
文献标识码
电子学报
Time-Delay Prediction Based on Phase Space
Reconstruction and Least Squares Support Vector Machine
1
1
1
1
2
TIAN Zhong-da ，ZHANG Chao ，LI Shu-jiang ，WANG Yan-hong ，SHA Yi
( 1． College of Information Science and Engineering，Shenyang University of Technology，Shenyang，Liaoning 110870，China;
2． School of Computer Science and Engineering，Northeastern University，Shenyang，Liaoning 110819，China)
Abstract: In order to solve time-delay prediction problem of networked control system，a time-delay prediction meth-
od based on phase space reconstruction and least squares support vector machine is proposed in this paper． Firstly，0-1 test al-
gorithm for chaos is used to determine the chaotic characteristics of the time-delay sequence，and the phase space reconstruc-
tion technique is introduced to improve the prediction accuracy． The Hurst exponent of the real time-delay sequence is ana-
lyzed，and least squares support vector machine is selected as the prediction model． Then，C-C method is used to determine
the parameters of phase space reconstruction． The partial predictability of time-delay is determined by recurrence plot． The
parameters of least squares support vector machine are off-line optimized by genetic algorithm． Finally，the time-delay se-
quence is predicted by the optimized least squares support vector machine combined with the phase space reconstruction．
Compared with other prediction methods，the simulation results show that the proposed method has higher prediction accura-
cy and smaller prediction error，and does not reduce the real-time performance of the algorithm．
Key words:
networked control system; phase space reconstruction; least squares support vector machine; time-
delay prediction
、 、 ．
的时延具有时变 随机 非线性等特征 随机变化的时延
1
引言
［1］
，
是影响系统性能的一个重要的因素
过大的时延会
、
网络控制系统的时延受网络拓扑结构 网络所采
．
导致控制系统性能下降 如何对网络控制系统时延进
、 、 、
用的通信协议 路由算法 网络负载情况 网络传输速率
，
行精确的预测是一个重要的研究课题 通过时延的预
． ，
以及数据包大小等因素的影响 因此 网络控制系统中
［2，3］
，
测 控制系统可以提前做出反应与控制
．
: 2016-01-06;
: 2016-05-09;
:
责任编辑 马兰英
收稿日期
修回日期
:
基金项目 国家自然科学基金
( No． 11273001) ;
( No． 20141070)
辽宁省博士启动基金
1045
5
:
田中大 基于相空间重构与最小二乘支持向量机的时延预测
第
期
，
针对网络控制系统的时延预测问题 很多学者进
Hurst
， 、
指数分析 表明时延序列具有自相似性 非线性以
．
行了相关的研究工作 一些学者试图归纳时延序列的
，
及长相关的特性 因此选择
LSSVM
．
作为预测模型 针对
， ，
数学统计规律 建立时延序列的数学分布模型 这里包
LSSVM
，
预测模型参数难以确定的问题 利用遗传算法
［4］ ，
括文献 的马尔可夫分布模型 文献
［5，6］
的平移伽
LSSVM
．
对
预测模型中的超参数进行离线优化 最后通
LSSVM ．
对时延序列进行在线预测 与
． ，
马分布等 但是这些数学模型建立过程过于理想化 同
过相空间重构与
，
时模型中的分布参数难以求解 这些都极大的限制了
其它预测方法进行了预测精度与算法复杂性的仿真对
．
基于统计分析预测方法的应用 其他学者则利用时延
，
比 结果表明本文预测方法的有效性
．
．
样本对时延序列进行建模与预测 按照选择模型的不
2
时延序列特性分析
．
同可分为线性预测模型与非线性预测模型 线性预测
通过时延测试软件采集了基于以太网的网络控制
500
，
模型将时延序列视为平稳的时间序列 线性模型的代
［7，8］
， 1 ．
组时延数据 如图 所示
系统中
( Auto Regressive，AR)
表主要为自回归模型
与自回
［9］
1 ，
从图 中可观察到 实际采集的网络时延序列具有
( Auto Regressive Moving Average，
归滑 动 平 均 模 型
，
一定的随机时变的特征 因此对时延序列进行特性分
ARMA) ．
、
线性模型比较适合于季节性 周期性等特征平
．
析是进行预测的前提与基础
．
稳的时间序列预测 但是由于网络时延动态变化范围
、 ，
大 随机性强 因此线性预测模型不能全面反映时延序
， ．
列的复杂变化特征 使得预测的精度受到限制 相对于
， ［10 ～ 13］
线性模型 文献 使用神经网络作为时延预测
， ［14］ ( Support Vector Ma-
模型 文献 利用支持向量机
chines，SVM)
， ［15，16］
对时延进行预测 文献 则使用了
( Least Squares Support Vector Ma-
最小二乘支持向量机
chine，LSSVM)
．
作为预测模型 虽然仿真与实际实验结
，
果表明非线性模型较线性模型的预测精度有所提高
．
但也都存在一些问题 基于神经网络的时延预测方法
易限于局部最优值以及过分依赖输入时延序列的自相
SVM LSSVM
2． 1
时延序列混沌特性分析
时间序列的混沌特性可通过
;
关系数 而
或
预测模型的参数没有统一的
0 － 1
混沌测试法进行
，
确定方法 如何对于模型参数进行优化是一个需要解
．
判定 如果时间序列的增长率
K
1，
≈ 则说明时间序列
c
．
决的问题
;
具有混沌特性 如果
K
0，
≈ 则表明时间序列不具有混
c
虽然上述学者对于网络控制系统的时延预测问题
［19］
．
0 － 1
沌特性
利用
混沌测试法对实际采集的网络时
p( n) q( n)
，
进行了大量的研究工作 但是目前的研究存在着一个
， 2
延序列进行了分析 可得到图 所示的
与
的
: ，
主要的问题 没有对时延序列的特性进行分析 也即预
， 3
相图 图 所示的均方位移
M( n)
， 4
的变化图 图 所示的
;
测模型的选择上存在着盲目性 同时这些研究方法都
K
．
的变化图
渐进增长率
c
，
没有考虑到时延序列的混沌特性 而实际网络控制系
2 ～
4
，
可观察到 网络时延序列的
p( n)
与
从图
图
，
统是一个时变的复杂系统 因此网络时延具有高度的
q( n)
，
的相图呈现布朗特性 均方位移
M( n)
随时间线性
0． 9957， K
其
c
．
非线性和不确定性 如果利用符合网络时延特性的非
．
增长 同时计算可得到渐进增长率
K
为
c
，
线性动力学理论进行建模并预测 就可提高时延的预
1， ． ，
接近于 说明网络时延序列具有混沌特性 因此 本文
． ，
测精度和可信度 目前 一些学者将混沌理论引入了实
．
后面将引入相空间重构技术来提高时延的预测精度
， ［17］
际的时间序列的预测之中 如文献 中的多相催化
2． 2
时延序列相似性特性分析
、 ［18］ ．
剂失活过程预测 文献 中的网络流量预测等 但是
［20］
Hurst
H
．
可用来衡量时间序列的相似性 当
指数
时时间序列是随机的 说明事件之间不相关 当
［0，0． 5)
，
这些研究并未对其研究对象进行混沌特性的分析 如
H = 0． 5
，
;
，
果对象不具备混沌特性 那么相空间重构技术的引入
H
;
H
∈
时表明时间序列是反持久性的 当 ∈
，
并不一定会带来预测精度的提高 相反会带来模型泛
( 0. 5，1)
，
时表示时间序列是持久性的 也即具有自相似
．
化能力的降低
．
性 因此
Hurst
(
指数越大说明时间序列的自相似 长相
，
综上所述 本文将网络控制系统时延预测作为研
) 、 、
关 程度越高 时间序列可预测性越强 预测误差越
，
究问题 利用
0 － 1
，
测试法对网络时延序列进行分析 确
［21］
．
Hurst
R/S
指数可通过 类分析方法
小
时间序列的
． ，
定了时延序列具有混沌特性 在此基础上 引入相空间
( rescaled range analysis)
，
进行计算 过程如下
:
． ，
重构技术来提高预测精度 在预测模型的选择上 通过
全部评论(0)