1.一种基于变量投影算法的时间序列信号重建方法，其特征在于，包括以下步骤：

1)采集用于FNN-AR建模的时间序列信号数据集{y(1),y(2),...,y(M)}；

2)利用所述时间序列信号数据集构建FNN-AR模型；

其中：y(t)为第t个时间序列信号的值；ξ(t)为第t个采样时刻的建模误差；φ0(y(t-1))和φy,i(y(t-1))为系数；

3)将步骤2)中的FNN-AR模型转换成参数分离的结构形式；

4)对FNN-AR模型的线性参数θL和非线性参数θN进行优化；

5)针对不同阶次的FNN-AR模型分别采用步骤4)方法进行参数优化，最终采用最小信息量准则判断时间序列信号的最优FNN-AR模型，利用该最优FNN-AR模型进行时间序列信号重建。

2.根据权利要求1所述的基于变量投影算法的时间序列信号重建方法，其特征在于，系数φ0(y(t-1))和φy,i(y(t-1))的具体结构如下：其中， 和 为FNN-AR模型的线性参数； 和 为模糊隶属度函数； 和 为第j个模糊集合的隶属度函数对应的均值和标准差， 为相应的权系数。

3.根据权利要求1所述的基于变量投影算法的时间序列信号重建方法，其特征在于，步骤3)中，FNN-AR模型参数分离的结构形式如下：y(t)＝μ(θN,y(t-1))TθL+ξ(t)；

其中， 为

FNN-AR模型的线性参数；

为FNN-AR模型的非线性参数；

其中

且j＝1,2,...,m,i＝1,2,...,n。

4.根据权利要求1所述的基于变量投影算法的时间序列信号重建方法，其特征在于，步骤4)的具体实现过程包括：

1)定义FNN-AR模型参数优化的目标函数如下：其中，E(θL,θN)＝(eg+1(θL,θN),eg+2(θL,θN),...,eM(θL,θN))T，且et(θL,θN)＝y(t)-μ(θN,yT(t-1))θL，g＝max(m,n)；则FNN-AR模型的参数优化问题转化为

2)设θN已知，则FNN-AR模型的线性参数 其中Φ(θN)-为矩阵Φ(θN)的Moore-Penrose逆，且Φ(θN)＝(μ(θN,y(g+1)),μ(θN,y(g+2)),...μ(θN,y(M)))T，y＝(y(g+

1),y(g+2),...y(M))T；则参数优化目标函数转化为 选择该优化问题的雅可比矩阵形式为：

其中 D(Φ(θN))为Φ(θN)的Frechet导数，得到雅可比矩阵J后，利用高斯-牛顿算法，得到非线性参数的更新方向为dk＝-((Jk)TJk)-1(Jk)Trk，其中Jk为k时刻J的值，rk为k时刻r的值，且r＝(I-Φ(θN)Φ(θN)-)y；更新方向dk的基础上使用线性搜索更新下一步的非线性参数 其中α为搜索步长并采用混合三次多项式内插法确定；

当本次优化的目标函数 与其上一步优化的值相减偏差小于优化终止条件，或优化次数达到最大迭代次数P时，整个优化过程结束，此时模型的线性参数-集通过θL＝Φ(θN) y计算得到。

5.根据权利要求4所述的基于变量投影算法的时间序列信号重建方法，其特征在于，步骤5)的具体实现过程包括：定义FNN-AR模型的AIC＝-2(M-g)log(V(θL,θN))+8(m×(n+1))，针对不同的模型阶次(m,n)对模型参数进行优化，寻找一个使FNN-AR模型AIC值最小的阶次(m,n)来作为时间序列信号的FNN-AR模型。