混沌时间序列的高斯过程混合模型预测

作者：冯振杰; 樊煜

来源：系统仿真学报, 2019, 31(07): 1387-1396.

DOI：10.16182/j.issn1004731x.joss.18-0543

• 高斯过程混合模型
• 混沌时间序列
• 预测
• 机器学习

高斯过程混合(Gaussian Processes Mixture,GPM)模型现有的学习算法如马尔科夫链蒙特卡洛法、变分法或留一法等,计算复杂度偏高,提出一种隐变量后验硬划分迭代学习算法,简化模型的学习过程,基于该算法将GPM模型用于混沌时间序列预测,并讨论嵌入维、时间延迟、学习样本和测试样本数目等参数对预测性能的影响。实验结果表明,GPM模型预测精度高于支持向量机(Support Vector Machine,SVM)、高斯过程(Gaussian Process,GP)和径向基(Radical Basis Function,RBF)网络,学习速度介于RBF网络、GP和SVM之间。

• 单位
  安阳师范学院; 渭南市气象局