运用时变PSO_SVM方法对混沌时间序列进行连续预测

针对粒子群优化(PSO)算法中适应度函数不可变的问题，提出一种改进时变 PSO 算法（ TVPSO），其适应度函数可变， 利用 TVPSO 对最小二乘支持向量机（ LSSVM）的参数进行优化，避免了人为选择参数的盲目性，提高了预测模型的在线预测能力。 建立基于 TVPSO -LSSVM 的连续预报模型，充分利用 LSSVM 的结构风险最小化与 TVPSO 粒子群算法全局、时变的特性，对非线性较强的混沌时间序列进行连续预报。仿真结果表明，该法运算速度快，适用于在线预报。