第1章 绪论 1
1.1 背景及意义 1
1.2 混沌时间序列预测方法概述 2
1.2.1 核自适应滤波器研究概述 2
1.2.2 回声状态网络研究概述 7
1.3 结构安排 12

第2章 基于均方误差准则核自适应滤波器的混沌时间序列预测 13
2.1 基于均方误差准则核自适应滤波器的基本原理 13
2.1.1 核递归最小二乘算法 14
2.1.2 核最小均方算法 16
2.2 基于自适应归一化稀疏量化的核自适应滤波器 17
2.2.1 自适应稀疏化方法 17
2.2.2 矢量量化方法 18
2.2.3 自适应归一化稀疏量化核递归最小二乘模型 19
2.2.4 仿真实验 22
2.3 基于滑动窗口稀疏的核自适应滤波器 24
2.3.1 滑动时间窗口基本原理 24
2.3.2 基于滑动窗口的核递归最小二乘模型 25
2.3.3 滑动窗口稀疏核递归最小二乘模型 26
2.3.4 仿真实验 28
2.4 基于随机投影自适应稀疏的核自适应滤波器 31
2.4.1 随机投影方法 31
2.4.2 改进的动态调整方法 32
2.4.3 随机投影自适应稀疏核递归最小二乘模型 33
2.4.4 仿真实验 34
2.5 基于自适应稀疏量化的核自适应滤波器 37
2.5.1 量化核最小均方模型 37
2.5.2 顺序离群值准则 38
2.5.3 自适应稀疏量化核最小均方模型 40
2.5.4 计算复杂度分析 41
2.5.5 仿真实验 41
2.6 小结 44

第3章 基于相关熵准则核自适应滤波器的混沌时间序列预测 45
3.1 相关熵准则的基本原理 45
3.2 基于最大相关熵的核自适应滤波器 47
3.2.1 最大相关熵准则 47
3.2.2 矢量投影方法 48
3.2.3 动态自适应稀疏核递归最小二乘模型 49
3.2.4 仿真实验 52
3.3 基于广义最大相关熵的核自适应滤波器 54
3.3.1 量化广义最大相关熵准则 54
3.3.2 量化核递归广义最大相关熵模型 55
3.3.3 计算复杂度分析 58
3.3.4 仿真实验 58
3.4 基于广义半二次熵的核自适应滤波器 61
3.4.1 广义半二次熵准则 61
3.4.2 核广义半二次熵共轭梯度模型 64
3.4.3 收敛性分析 66
3.4.4 计算复杂度分析 68
3.4.5 仿真实验 68
3.5 基于混合相关熵的核自适应滤波器 71
3.5.1 最大混合相关熵准则 71
3.5.2 随机傅里叶特征方法 72
3.5.3 随机傅里叶特征核递归最大混合相关熵模型 73
3.5.4 仿真实验 74
3.6 小结 76

第4章 基于智能优化回声状态网络的混沌时间序列预测 78
4.1 回声状态网络的基本原理 78
4.2 基于粒子群优化的回声状态网络 81
4.2.1 粒子群优化方法 81
4.2.2 改进的粒子群优化方法 84
4.2.3 改进粒子群优化回声状态网络 86
4.2.4 仿真实验 87
4.3 基于生物地理学优化的回声状态网络 89
4.3.1 生物地理学优化方法 90
4.3.2 改进的生物地理学优化方法 92
4.3.3 改进生物地理学优化回声状态网络 95
4.3.4 收敛性分析 96
4.3.5 仿真实验 98
4.4 基于多目标差分进化的回声状态网络 101
4.4.1 多目标优化方法 101
4.4.2 差分进化方法 102
4.4.3 改进的多目标差分进化方法 105
4.4.4 改进多目标差分进化回声状态网络 108
4.4.5 仿真实验 108
4.5 小结 111

第5章 基于层次化回声状态网络的混沌时间序列预测 112
5.1 层次化回声状态网络的基本原理 112
5.2 基于稀疏学习的层次化回声状态网络 114
5.2.1 稀疏学习方法 114
5.2.2 稀疏学习层次化回声状态网络 116
5.2.3 收敛性分析 117
5.2.4 仿真实验 119
5.3 基于高维增强随机特征的层次化回声状态网络 123
5.3.1 高维增强随机特征方法 123
5.3.2 增强随机特征层次化回声状态网络 124
5.3.3 计算复杂度分析 127
5.3.4 仿真实验 127
5.4 基于神经内在可塑性学习的层次化回声状态网络 131
5.4.1 生物神经元的放电率分布 132
5.4.2 神经元的内在可塑性学习 133
5.4.3 层次化可塑性回声状态网络 135
5.4.4 仿真实验 137
5.5 基于物理信息的层次化回声状态网络 139
5.5.1 物理信息学习基本原理 140
5.5.2 基于物理信息的损失函数 141
5.5.3 物理信息层次化回声状态网络 146
5.5.4 仿真实验 148
5.6 小结 154

参考文献 156

附录 全书公式符号对照表 160