摘要: 在做长期预报时,我们常用的统计建模理论有这么一个缺点:当建模者事先对系统一无所知;或虽在建模前已经可以决定应变量与变量之间的关系,但赖以建模的数据又太少;我们则无法根据资料来建模,或不可避免地将自己的偏见带入模式中。为此,Ivakhnenko提出了数据处理的组合法(GMDH)1,而其回归方程的阶数是根据某些判据而较客观地自动给出。此外,传统的统计预报理论一般是基于时间这一维“空间”的。由于一维空间无法“容纳”分数维D2>1的吸引子,故必将丢失许多关于系统吸引子演化的重要信息,从而导致某些方面的预报不准确。为此,我们把GMDH技术与相空间理论结合起来, 提出了以下的相空间分量组合法(GMPSC)。