RBF神经网络在Mackey-Glass时间序列预测中的应用

在这篇提交中，我实施了一个径向基函数（RBF）神经网络，用于预测混沌时间序列。特别是，我设计了一个Mackey Glass时间序列预测模型，该模型利用历史时间样本预测未来数步的值。RBF网络通过传统的梯度下降学习算法进行训练，核函数选用高斯核，其中心和散布参数来自于K均值聚类算法的结果。

利用神经网络进行MG时间序列预测已被广泛探讨，介绍了使用Matlab代码的具体实现。

输入层：感知单元连接网络和环境隐含层：非线性变换，输入空间到隐层空间输出层：线性，响应训练数据

matlab32小波神经网络被用来预测短时交通流量。

为大学生建模提供必要的代码

MATLAB神经网络的原理和实例详解及其配套源码。

菜鸟初次接触BP网络预测问题-Venice Lagoon数据1993.txt，请帮助检查程序，预测结果不理想，请求各位大侠指点，非常感谢！要求利用前23个数据预测第24个数据，共有200组数据。输入数据为23200，输出数据为1200。尽管测试数据相同，但预测结果却出现显著错误，请帮忙查明问题所在。详细的样本数据附在文中。

皇家空军内包含用于径向基函数（RBF）应用程序的Python软件包，用于数据插值/平滑及不规则域上的PDE求解。此软件包受到Gregory Fasshauer的《使用Matlab的无网格近似方法》和Bengt Fornberg与Natasha Flyer的《径向基函数在地球科学中的应用入门》的影响。详细文档可供查阅。特征包括RBF插值函数评估及其精确导数计算，用于噪声数据的N维插值与平滑。还包含一种用于解决大规模PDE的RBF-FD权重算法，以及通过频谱RBF方法或RBF-FD方法求解PDE的节点生成算法。此外，还提供了用于高斯过程回归（GPR）的高斯过程抽象及霍尔顿序列发生器。安装此软件包需使用numpy、scipy、sympy、cython和rtree软件包。

支持向量机, 一种基于统计学的新型机器学习和数据挖掘技术, 遵循结构风险最小化原则。金融时间序列数据通常具有非平稳性、复杂性、非线性以及噪声干扰, 传统预测方法难以取得令人满意的效果。本研究提出一种基于支持向量机的金融时间序列预测方法, 并将其应用于上证180指数预测。实验结果表明, 支持向量机方法能够有效地建模动态金融时间序列, 并取得良好的预测效果。