基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型研究

针对太阳辐照度时间序列的非线性特点,文章设计了一种新的基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型,并对该模型进行了验证。首先,利用集合经验模态分解(EEMD)算法对原始太阳辐照度时间序列进行分解,得到若干个频率不同的分量;然后,利用变分模态分解(VMD)算法进一步分解频率最高的分量,得到K个相对稳定的分量,其中,K由各分量与利用VMD算法分解得到的残差的相关系数确定;接着,建立基于高斯核和多项式核的混合核最小二乘支持向量机(LSSVM)预测模型,对所有分量进行预测,并利用蝗虫优化算法优化混合核函数的参数;最后,将所有分量的预测结果相加得到原始太阳辐照度时间序列的预测结果。模拟结果表明,与BP神经网络模型、ARIMA模型、LSSVM模型和基于EEMD,LSSVM的预测模型相比,基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型的预测精度更高,能有效反映太阳辐照度的变化规律。

基于数学建模竞赛的大学生创新能力培养研究

大学生数学建模竞赛是培养大学生创新能力的有效途径和重要平台。本文构建了大学生创新能力的五个评价指标,包括自学能力、动手能力、组织协调能力、应变能力和表达能力;分析了参加数学建模竞赛对大学生创新能力的影响。通过参赛实践案例阐明,参加数学建模竞赛能有效地提高大学生的创新能力。

基于支持向量机的细颗粒物日均浓度预测

为了更加准确的预测大气中的细颗粒物日均浓度,提出了集合经验模态分解(EEMD)-样本熵(SE)和粒子群优化算法(PSO)-最小二乘支持向量机(LSSVM)的组合预测模型。首先采用EEMD方法将原始序列分解成多个相对比较平稳的分量;然后对各分量采用SE进行复杂度分析之后重组,得到若干个新分量;接着,对新分量分别建立采用PSO优化惩罚参数和核参数的LSSVM预测模型,得到各个新分量的预测结果;最后将这些预测结果叠加,得到原始序列的预测值。对上海市的细颗粒物日均浓度采用单一的LSSVM模型和ARIMA模型和本文提出的模型进行预测,并采用多个评价指标进行评价,得出本文提出模型的预测精度更高。