针对分数阶混沌时间序列预测精度低、速度慢的问题,提出了基于量子粒子群优化(QPSO)算法的新型正交基神经网络预测模型。首先,在Laguerre正交基函数的基础上提出一种新型正交基函数,并结合神经网络拓扑构成新型正交基神经网络;其次,利用QPSO算法优化新型正交基神经网络参数,将参数优化问题转化为多维空间上的函数优化问题;最后,根据已优化参数建立预测模型并进行预测分析。分别以分数阶Birkhoff-shaw和Jerk混沌系统为模型,利用Adams-Bashforth-Moulton预估-校正法产生混沌时间序列作为仿真对象,进行单步预测对比实验。仿真表明,与反向传播(BP)神经网络、径向基函数(RBF)神经网络及普通的新型正交基神经网络相比,基于QPSO算法的新型正交基神经网络的平均绝对值误差(MAE)、均方根误差(RMSE)明显减小,决定度系数(CD)更接近于1,平均建模时间(MMT)明显缩短。实验结果表明,基于QPSO算法的新型正交基神经网络提高了分数阶混沌时间序列预测的精度和速度,便于该预测模型的应用和推广。

针对传统智能优化算法对混沌系统参数辨识精度低、速度慢的问题,提出一种基于反馈教学优化算法的混沌系统参数辨识的新方法.该方法以教学优化算法为基础,在教授-学习阶段之后加入反馈阶段,同时将参数辨识问题转化为参数空间上的函数优化问题.分别以三维二次自治广义Lorenz系统、Jerk系统和Sprott-J系统为待辨识模型,对粒子群优化算法、量子粒子群优化算法、教学优化算法及反馈教学优化算法进行了对比实验,反馈教学优化算法辨识误差为零,搜索次数明显减少.仿真结果表明,反馈教学优化算法明显提高了混沌系统参数辨识精度和速度,验证了该算法的可行性和有效性.