Resumen

La serie temporal caótica puede ser expandida al espacio multidimensional mediante la reconstrucción del espacio de fases, con el fin de reconstruir las características dinámicas del sistema original. Es difícil obtener un espacio de fases completo para una serie temporal caótica, como resultado de la inconsistencia de la reconstrucción del espacio de fases. Este artículo presenta una idea de aproximación de subespacio. La predicción de series temporales caóticas basada en la reconstrucción del espacio de fases puede considerarse como el problema de aproximación de subespacio en diferentes vecindarios en diferentes momentos. La aproximación común de redes neuronales estática es adecuada para un vecindario entrenado, pero no puede garantizar su rendimiento de generalización en otros vecindarios no entrenados. La aproximación de subespacio de redes neuronales basada en el filtrado de Kalman extendido no lineal (EKF) es una aproximación de evolución dinámica de un vecindario a otro. Por lo tanto, en vista del espacio de fases incompleto, debido a la reconstrucción del espacio de fases caótico, proponemos

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Serie temporal caótica; Reconstrucción del espacio de fases; Aproximación de subespacios; Red neuronal; Filtro de Kalman; Precisión de predicción
• Keywords:Chaotic time series; Phase space reconstruction; Subspace approximation; Neural network; Kalman filtering; Prediction accuracy