一种基于确定学理论的海量时态数据建模方法

摘要

本发明公开了一种基于确定学理论的海量时态数据建模方法，该方法针对的是一类在科学研究与工程实践中普遍存在的、一般可以看作是由离散非线性系统产生的带有噪声的海量时态数据。建模过程包括：海量时态数据定义及滤波预处理；采用动态RBF神经网络构造神经网络辨识器，设计合理的RBF神经网络权值的调节律；对海量时态数据的神经网络建模。具有使海量时态数据的建模及其性能分析更为简洁和可进一步用于对海量时态数据的快速相似性判断等优点。

主权项

一种基于确定学习理论的海量时态数据建模方法，其特征在于，包含如下步骤：步骤1、海量时态数据定义及滤波预处理：考虑多维时变数据：{x1(k),…,xn(k),k=1,…,m}，简记为Φ，其中，k为时间，当m足够大时Φ为海量时变数据；海量时态数据可以看作是由离散非线性动态系统产生，带有干扰或噪声，且具有周期或回归性质,利用滤波方法对原始的海量时态数据进行去噪声预处理；步骤2、设计神经网络辨识器：采用动态RBF神经网络构造神经网络辨识器，设计RBF神经网络权值的调节律，在所述的RBF神经网络权值的调节律设计中，以使沿着海量时态数据的空间回归轨迹的神经元权值收敛到最优值；步骤3、海量时态数据的RBF神经网络建模：对产生海量时态数据的内在的离散非线性动态系统的动态进行局部准确建模，所学习到的动态知识以常值神经网络权值进行存储。