基于 MFOA 和 LW 的混沌时间序列鲁棒模糊预测

摘要：

针对含有例外点的混沌时间序列的预测问题，提出了一种基于修正型果蝇优化算法（ MFOA）和最小Wilcoxon方法（ LW）的混合学习算法来训练T-S模糊模型，以达到准确建模和提高模型鲁棒性的目的。首先采用修正型果蝇优化算法优化模糊前件的高斯型隶属函数参数，利用其编程简单、收敛速度快的优点提高辨识精度和收敛速度。然后采用最小Wilc-oxon方法辨识模型的结论参数，在训练数据中出现例外点时，LW方法的强鲁棒性可以有效克服传统最小二乘方法对例外点敏感的缺点。最后以Mackey-Glass混沌时间序列的预测为例进行仿真研究，通过比较不同的优化算法的辨识结果来验证修正型果蝇优化算法的优越性，并在系统存在例外点的情况下验证了所提方法的有效性和鲁棒性。

关键词：修正型果蝇优化算法、最小Wilcoxon方法、例外点、Mackey-Glass混沌时间序列、T-S模糊模型、模糊预测

分类号：TP15(自动化基础理论)

资助基金：河北省自然科学基金资助项目 F2010001320．

在线出版日期：2014-09-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：425-431