基于组合NARX神经网络的非平稳含噪混沌时间序列在线预测

doi:10.7527/S1000-6893.2024.30128

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于组合NARX神经网络的非平稳含噪混沌时间序列在线预测

葛佳昊(), 向锦武, 李道春

北京航空航天大学航空科学与工程学院，北京 100191

收稿日期:2024-01-09 修回日期:2024-03-04 接受日期:2024-03-21 出版日期:2024-04-03 发布日期:2024-03-29
通讯作者: 葛佳昊 E-mail:ryange@buaa.edu.cn
基金资助:
国家资助博士后研究人员计划(GZC20233371)

Online prediction of non-stationary chaotic time series with noise based on combinational NARX neural network

Jiahao GE(), Jinwu XIANG, Daochun LI

School of Aeronautic Science and Engineering，Beihang University，Beijing 100191，China

Received:2024-01-09 Revised:2024-03-04 Accepted:2024-03-21 Online:2024-04-03 Published:2024-03-29
Contact: Jiahao GE E-mail:ryange@buaa.edu.cn
Supported by:
Postdoctoral Fellowship Program of CPSF(GZC20233371)

摘要/Abstract

摘要：

针对混沌时间序列演化复杂，数据非平稳特征及噪声严重影响混沌时间序列短期预测精度的问题，提出了基于前向差分、改进小波包去噪和外因输入的非线性自回归网络（FD-IWPD-NARX）的非平稳含噪混沌时间序列（NNCTS）在线组合预测方法。在滚动时域框架下，采用前向差分平稳窗口内时间序列数据，改进小波包去噪阈值函数改善数据去噪效果，最后通过串并行闭环NARX神经网络对平稳去噪的混沌时间序列进行训练和测试。结果表明，前向差分和提出的改进小波包去噪可以有效提升NARX神经网络的预测性能；与不分窗NARX神经网络、循环神经网络（RNN）和标准长短期记忆网络（LSTM）相比，FD-IWPD-NARX网络可基于少量数据完成模型训练，在预测精度方面具有优势，且每窗模型的训练平均时长缩短至0.12 s，具有在线应用潜力。

关键词: 含噪非平稳混沌时间序列, 组合神经网络, NARX神经网络, 改进小波包去噪, 在线预测

Abstract:

In response to the complex evolution of chaotic time series， as well as the serious impact of non-stationary features and noise on the short-term prediction accuracy of chaotic time series， an online combination prediction method of Non-stationary Noisy Chaotic Time Series （NNCTS） is proposed based on Forward Difference， Improved Wavelet Packet Denoising， and Nonlinear Auto-Regressive with eXogeneous inputs network （FD-IWPD-NARX）. In the framework of moving horizons， the forward difference is used to the stabilize time series data in each window. The wavelet packet denoising threshold function is improved to enhance the data denoising effect. The stabilized denoised chaotic time series is then trained and tested using a series parallel closed-loop NARX neural network. The results show that the forward difference and the proposed improved wavelet packet denoising can effectively improve the predictive performance of the NARX neural network. Compared with the windowless NARX neural network， Recurrent Neural Network （RNN）， and standard Long and Short-Term Memory network （LSTM）， the FD-IWPD-NARX network proposed can complete model training based on a smaller amount of data， having advantages in prediction accuracy. The average model training time in each window is shortened to 0.12 s， which has the potential for online application.

Key words: non-stationary chaotic time series with noise, combination neural network, NARX neural network, improved wavelet packet denoising, online prediction

中图分类号:

V249

葛佳昊, 向锦武, 李道春. 基于组合NARX神经网络的非平稳含噪混沌时间序列在线预测[J]. 航空学报, 2024, 45(21): 330128.

Jiahao GE, Jinwu XIANG, Daochun LI. Online prediction of non-stationary chaotic time series with noise based on combinational NARX neural network[J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(21): 330128.

图/表 17

图 1

图 2

图 3

图 4

图 5

图 6

图 7

表 1

图 8

图 9

图 10

表 2

图 11

表 3

图 12

图 13

图 14

参考文献 28

1	赵德敏. 非线性颤振系统的分岔与混沌［D］. 天津：天津大学， 2010.
	ZHAO D M. Bifurcation and chaos of nonlinear flutter system［D］.Tianjin： Tianjin University， 2010 （in Chinese）.
2	张淑华. 飞机机翼的非线性混沌研究［J］. 甘肃科技， 2005， 21（8）： 93-94， 85.
	ZHANG S H. Study on nonlinear chaos of aircraft wings［J］. Gansu Science and Technology， 2005， 21（8）： 93-94， 85 （in Chinese）.
3	张志浩，姚宏，苏磊. 飞机大迎角纵向机动稳定性及混沌分析［C］∥中国力学大会， 2013.
	ZHANG Z H， YAO H， SU L. Stability and chaos analysis of aircraft longitudinal maneuver at high angles of attack ［C］∥China Mechanics Conference， 2013 （in Chinese）.
4	马建仓，刘琦，马艳玲. 飞机发动机混沌振动信号盲分离检测方法［J］. 航空学报， 2009， 30（1）： 81-85.
	MA J C， LIU Q， MA Y L. Detection of chaotic vibration signals of aero-engines with blind separation［J］. Acta Aeronautica et Astronautica Sinica， 2009， 30（1）： 81-85 （in Chinese）.
5	郭阳明，蔡小斌，付琳娟，等. 基于回声状态网络的飞机混沌时间序列预测模型［J］. 西北工业大学学报， 2012， 30（4）： 607-611.
	GUO Y M， CAI X B， FU L J， et al. An effective prediction model for aircraft chaos time series based on echo state networks （ESN）［J］. Journal of Northwestern Polytechnical University， 2012， 30（4）： 607-611 （in Chinese）.
6	张永芳，吕延军，黑棣，等. 轴向槽气体轴承—非线性转子系统的分岔和混沌［J］. 机械工程学报， 2014， 50 （5）： 216-217.
	ZHANG Y F， LV Y J， HEI D， et al. Bifurcation and chaos of an axial grooved gas bearing nonlinear rotor system［J］. Journal of Mechanical Engineering， 2014， 50（5）： 216-217 （in Chinese）.
7	RAHMAN M M， SHAKERI M， KHATUN F， et al. A comprehensive study and performance analysis of deep neural network-based approaches in wind time-series forecasting［J］. Journal of Reliable Intelligent Environments， 2023， 9（2）： 183-200.
8	袁全勇. 风速时间序列非线性分析及短期预测［D］. 上海：上海理工大学， 2018.
	YUAN Q Y. Nonlinear analysis and short-term prediction of wind speed time series［D］. Shanghai： University of Shanghai for Science & Technology， 2018 （in Chinese）.
9	GOUDARZI S， JAFARI S， MORADI M H， et al. NARX prediction of some rare chaotic flows： Recurrent fuzzy functions approach［J］. Physics Letters A， 2016， 380（5-6）： 696-706.
10	BLANCHARD T， SAMANTA B. Wind speed forecasting using neural networks［J］. Wind Engineering， 2020， 44（1）： 33-48.
11	李应求，安勃，李恒通. 基于NARX及混沌支持向量机的短期风速预测［J］. 电力系统保护与控制， 2019， 47（23）： 65-73.
	LI Y Q， AN B， LI H T. Short-term wind speed prediction based on NARX and chaos-support vector machine［J］. Power System Protection and Control， 2019， 47（23）： 65-73 （in Chinese）.
12	XIU Y， ZHANG W. Multivariate chaotic time series prediction based on NARX neural networks［C］∥Proceedings of the 2017 2nd International Conference on Electrical， Automation and Mechanical Engineering （EAME 2017）. Paris： Atlantis Press， 2017.
13	陈开民，顾宏斌，李鹏，等. 一种基于NARX神经网络的纵向飞行动力学建模方法［J］. 飞行力学， 2023， 41（5）： 37-43， 51.
	CHEN K M， GU H B， LI P， et al. A longitudinal flight dynamics modeling method based on NARX neural network ［J］. Flight Dynamics， 2023， 41（5）：37-43， 51 （in Chinese）.
14	杨洁. 城市供水管网系统的预测建模研究［D］. 杭州：杭州电子科技大学， 2015.
	YANG J. Study on predictive modeling of urban water supply pipe network system［D］. Hangzhou： Hangzhou Dianzi University， 2015 （in Chinese）.
15	ACUÑA G， RAMIREZ C， CURILEM M. Comparing NARX and NARMAX models using ANN and SVM for cash demand forecasting for ATM［C］∥The 2012 International Joint Conference on Neural Networks （IJCNN）. Piscataway： IEEE Press， 2012： 1-6.
16	张旭冉. 基于LSTM和NARX的风电场短期风电功率预测研究［D］. 济南：山东建筑大学， 2021.
	ZHANG X R. Study on short-term wind power forecasting of wind farm based on LSTM and NARX［D］. Jinan： Shandong Jianzhu University， 2021 （in Chinese）.
17	WANG H， SONG G B. Innovative NARX recurrent neural network model for ultra-thin shape memory alloy wire［J］. Neurocomputing， 2014， 134： 289-295.
18	王玉. 基于深度学习的风电场短期风速预测组合模型［D］. 合肥：中国科学技术大学， 2021.
	WANG Y. Combination model of short-term wind speed forecasting for wind farm based on deep learning［D］. Hefei： University of Science and Technology of China， 2021 （in Chinese）.
19	ABDULKADIR S J， YONG S P. Scaled UKF–NARX hybrid model for multi-step-ahead forecasting of chaotic time series data［J］. Soft Computing， 2015， 19（12）： 3479-3496.
20	CADENAS E， RIVERA W， CAMPOS-AMEZCUA R， et al. Wind speed forecasting using the NARX model， case： La Mata， Oaxaca， México［J］. Neural Computing and Applications， 2016， 27（8）： 2417-2428.
21	张泰豪. 基于NARX改进的风速预测网络与风功率预测关键技术研究［D］. 成都：四川大学， 2021.
	ZHANG T H. Research on key technologies of wind speed prediction network and wind power prediction based on NARX improvement［D］. Chengdu： Sichuan University， 2021 （in Chinese）.
22	张鑫卓，杨新林. 基于Spearman-NARX神经网络的风速预测研究［J］. 电子技术， 2023， 52（2）： 81-83.
	ZHANG X Z， YANG X L. Study on wind speed prediction based on Spearman-NARX neural network［J］. Electronic Technology， 2023， 52（2）： 81-83 （in Chinese）.
23	KRIVEC T， PAPA G， KOCIJAN J. Simulation of variational Gaussian process NARX models with GPGPU［J］. ISA Transactions， 2021， 109： 141-151.
24	崔西明，邱志鹏，魏嘉，等. 基于数据驱动的结构钢表面应力磁巴克豪森噪声表征方法［J］. 航空学报， 2023， 44（8）： 427237.
	CUI X M， QIU Z P， WEI J， et al. Data-driven method for characterization of structural steel surface stress of magnetic Barkhausen noise［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（8）： 427237 （in Chinese）.
25	宿常鹏，王雪梅，许哲，等. 基于新阈值函数的小波阈值去噪方法研究［J］. 战术导弹技术， 2020（3）： 66-72.
	SU C P， WANG X M， XU Z， et al. Research on wavelet threshold de-noising method based on new threshold function［J］. Tactical Missile Technology， 2020（3）： 66-72 （in Chinese）.
26	乔云，李琼，钱浩东，等. 基于VMD与改进小波阈值的地震信号去噪方法研究［J］. 物探化探计算技术， 2021， 43（6）： 690-696.
	QIAO Y， LI Q， QIAN H D， et al. Seismic signal denoising method based on VMD and improved wavelet threshold［J］. Computing Techniques for Geophysical and Geochemical Exploration， 2021， 43（6）： 690-696 （in Chinese）.
27	韩旭. 基于代理模型的大跨度桥上列车横风随机响应预测［D］. 成都：西南交通大学， 2022.
	HAN X. Prediction of random cross-wind response of trains on long-span bridges based on proxy model［D］. Chengdu： Southwest Jiaotong University， 2022 （in Chinese）.
28	NASIRI H， EBADZADEH M M. MFRFNN： Multi-functional recurrent fuzzy neural network for chaotic time series prediction［J］. Neurocomputing， 2022， 507： 292-310.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

阈值函数	e_e/（m·s^-1）
软阈值	0.181
硬阈值	0.174
模乘方	0.177
调节因子	0.176
改进型	0.174

预测模型	RMSE/10^-2
FD-IWPD-NARX滚动预测	2.36（均值）
IWPD-NARX整体预测	886.83
IWPD-NARX滚动预测	53.23（均值）
FD-NARX整体预测	63.56
FD-NARX滚动预测	20.71（均值）

模型	RMSE/10^-2	时长/s
本文模型	2.15	0.12
NARX整体	7.22	3.42
RNN预测	0.08	15.52
LSTM预测	2.62	95.45

[1]	李坤布树辉李佳朋王俱博玺韩鹏程李霄翰李浩玮. 基于单目视觉与测距信息的无人机集群定位方法[J]. 航空学报, 0, (): 1-0.
[2]	李雨函张曙光吴义兵. 基于肌电和眼动信号的SVO-eVTOL操纵品质评估[J]. 航空学报, 0, (): 0-0.
[3]	孟令捷李红光李新军. 基于地貌类别信息指导的SAR图像仿真方法[J]. 航空学报, 0, (): 0-0.
[4]	吕晓晨史静平吕永玺李耕农. 传感器失效下的魔毯着舰气流角重构算法[J]. 航空学报, 0, (): 0-0.
[5]	杨振, 李琳, 柴仕元, 黄吉传, 朴海音, 周德云. 面向多战术需求的无人机空战自主规避机动方法[J]. 航空学报, 2024, 45(20): 630629-630629.
[6]	何明, 陈浩天, 韩伟, 邓成, 段海滨. 无人机仿鸟群协同控制发展现状及关键技术[J]. 航空学报, 2024, 45(20): 29946-029946.
[7]	李伟, 郭艳, 何明, 袁昊, 赖雪斌. 满意度驱动下无人机移动边缘计算服务缓存和资源分配方法[J]. 航空学报, 2024, 45(19): 330017-330017.
[8]	郑多, 初治辰, 林德福, 尉明军, 岳思怡. 考虑集群尾涡气动耦合效应飞行安全约束的协同制导技术[J]. 航空学报, 2024, 45(18): 329906-329906.
[9]	李佐龙, 朱纪洪, 匡敏驰, 张杰, 任洁. 基于混合动作的空战分层强化学习决策算法[J]. 航空学报, 2024, 45(17): 530053-530053.
[10]	陶呈纲, 林传健, 铁钰嘉, 范淑娜, 梁天骄. 透过NGAD的可控性评估准则研究[J]. 航空学报, 2024, 45(17): 530083-530083.
[11]	王潇, 刘贞报, 史忠科. 基于残差混合监督网络的无人机目标阴影检测[J]. 航空学报, 2024, 45(17): 530062-530062.
[12]	刘双喜, 林泽淮, 刘伟, 闫斌斌, 黄伟. 基于INDI的倾转旋翼无人机过渡模式控制方案[J]. 航空学报, 2024, 45(17): 529685-529685.
[13]	李文韬, 方峰, 王振亚, 朱奕超, 彭冬亮. 引入混合超网络改进MADDPG的双机编队空战自主机动决策[J]. 航空学报, 2024, 45(17): 529460-529460.
[14]	董希旺于江龙化永朝吕金虎任章. 集群系统智能协同IOODA技术体系架构与关键技术[J]. 航空学报, 0, (): 0-0.
[15]	姚静杨帅王梦阳王佩. 一种低功耗数字阀建模、性能分析及试验验证[J]. 航空学报, 0, (): 0-0.

基于组合NARX神经网络的非平稳含噪混沌时间序列在线预测

Online prediction of non-stationary chaotic time series with noise based on combinational NARX neural network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 28

相关文章 15

编辑推荐

Metrics

本文评价