基于改进指数平滑神经网络模型的大坝沉降预测

为了及时跟踪非线性化大坝沉降数据并长期预测,针对传统指数平滑方法的缺陷,将改进的指数平滑方法与BP神经网络模型相结合,研究了其在大坝沉降监测中的应用。通过控制全局和局部的目标函数形成改进的指数平滑方法,获得一组平滑预测值;再利用BP神经网络对平滑预测值和平滑预测值与观测值的误差序列进行训练;最后将下一步的误差序列和平滑预测值作为输入,得到的误差预测值与原有平滑预测结果组成沉降预测值。实验表明,组合后的模型预测适应性较好,预测精度较高。

VLBI观测资料解算地球自转参数精度分析

为分析VLBI观测资料解算地球自转参数的精度,根据VLBI观测原理及其误差方程,分别利用2020年VLBI观测数据及CONT17连续加密观测的XA、XB两种频率通道数据解算地球自转参数,并以EOP14 C04序列作为计算外符合精度的参考序列。结果表明,VLBI观测数据解算地球自转参数各分量的外符合精度均能满足高精度要求,比较解算结果与同时段GPS连续数据的解算结果发现,两者精度总体处于同一水平;CONT17观测的XA、XB两种频率通道数据解算极移时精度相当,但前者在稳定性及解算UT1-UTC序列精度上具有较大优势。

顾及大气角动量的Prophet-VAR日长变化预报方法

针对日长变化参数序列中蕴含的复杂非线性特征会严重影响其预报精度的问题,同时为探讨引入大气角动量序列是否有助于提升预报精度,提出一种Prophet拟合外推联合向量自回归(vector autoregression,VAR)残差补偿的组合模型用于日长预报。选用2008~2020年的日长变化参数序列进行实验,同时设计不顾及大气角动量序列的Prophet-AR以及传统的LS-AR两种方案进行对比。结果表明,3种方案的预报精度依次降低,既说明Prophet算法比LS算法能更好地拟合非线性信号,从而降低组合模型的预报误差,也说明当预报模型一致时,引入大气角动量序列能够有效提升预报精度。综上可知,顾及大气角动量的Prophet-VAR组合预报模型可以应用于高精度的日长变化预报。