卫星钟差组合预报模型研究及其应用

为了提高卫星钟差预报的精度与稳定性,本文综合幂函数变换的GM(1.1)模型与Elman神经网络模型的优势,提出了一种组合卫星钟差预报模型。该组合预报模型实现卫星钟差预报的流程为:首先,使用钟差数据对幂函数变换的GM(1.1)模型进行建模并进行钟差预报;其次,将幂函数变换的GM(1.1)模型预报残值作为Elman神经网络模型训练样本进行模型训练与残差值预报;最后,将幂函数变换的GM(1.1)模型预报值与Elman神经网络模型残差预报值相加得到组合预报值。使用IGS提供的精密钟差数据进行实验,结果表明,本文提出的组合预报模型较单一的预报模型的预报精度与稳定性均有较大程度的提高,本文的研究对于高精度卫星钟差预报模型的建立具有重要参考价值。

GPS卫星钟差组合预报模型研究

为了提高卫星钟差预报的稳定性与精度,本文结合幂函数变换GM(1.1)模型与BP(Back Propagation)神经网络模型在卫星钟差预报中的优势,提出了一种卫星钟差组合预报模型。该组合预报模型首先使用幂函数变换GM(1.1)模型对卫星钟差进行建模,获取预报残差值;其次,将幂函数变换GM(1.1)模型的预报残差值作为BP神经网络模型的输入值进行BP神经网络模型构建;最后,将两种模型预报结果进行重构得到最终预报结果。为了对本文提出的组合预报模型的有效性与优越性进行检验,使用IGS站提供的两颗卫星高精度钟差数据进行模型验证,使用均方根误差RMSE作为衡量模型预报性能的评价指标,结果表明,相比于幂函数变换GM(1.1)模型预报结果与BP神经网络模型预报结果,本文组合预报模型对PRN03、PRN08卫星钟差的均方根误差均有所降低,预报精度更高,表现出了更好的钟差预报性能,可为实际卫星钟差预报、提高单点定位精度提供借鉴与参考。

炼铜转炉吹炼终点的神经网络和自适应残差补偿组合预报模型

提出了基于改进的BP神经网络学习算法和自适应残差补偿算法的炼铜转炉吹炼终点组合预报模型 .利用某厂实际生产数据进行仿真运行的结果表明 ,本文建立的模型具有较高的预报精度和较强的实用性 。

神经网络组合预报模型及其在汽轮发电机组状态检修中的应用

在组合预报模型研究基础上,提出基于神经网络的非线性组合预报模型,由神经网络给出常规预报方法的最佳组合。首先从函数逼近角度研究了这种模型的理论基础,在此基础上给出了实现策略和神经网络的有效训练算法,将该模型应用于发电机组状态检修的振动参数的趋势分析和故障预报,仿真结果表明该模型有更高的预报精度。

提前三小时风电机组出力组合预报研究

基于持续法和神经网络法对提前3h的风电场风速和风电机组出力进行了组合预报研究,提出误差衡量指标的选取将影响组合预报的结果;由于功率曲线的形状,风速组合预报误差最小时各种方法的权系数与功率组合预报误差最小时各种方法的权系数并不相同。计算结果表明,选取合适的误差衡量指标,以功率的最小预报误差为目标的组合预报可以提高风电机组出力的预报精度。

基于支持向量机的水电站中长期径流组合预报

中长期径流预报是充分利用水资源、实现水电站优化运行的重要环节。以金沙江中游龙盘电站为研究对象,分别采用自回归滑动平均模型、最近邻抽样回归模型、BP神经网络建立了该水电站月径流预报模型,在分析三种模型预报结果具有一定互补性的基础上进一步建立了支持向量机分月组合预报模型。统计结果表明,与单一预报模型相比,该组合预报模型具有更高的精度和稳定性,为寻求水电站径流预报规律和制定中长期调度计划提供了技术支持。

基于数据分析技术的水文组合预报应用研究

水文组合预报方法是对多种预报模型的预报结果进行组合分析的一种预报方法.针对历史洪水数据丰富和相对贫乏两种情况,分别提出基于多目标模糊优选和基于贝叶斯分析的组合预报模型.前者是选用多目标模糊优选模型根据各预报方案在不同流量级别下的预报精度确定方案优属度,而后加权平均的组合预报模型;后者则是以贝叶斯分析为基础,同时结合专家经验、马尔可夫蒙特卡罗模拟、Gibbs抽样法,并引入实时校正的组合预报模型.以嫩江流域为实例,分别对两种组合预报模型的精度进行了验证.验证结果表明:两种模型可行而且实用,预报精度均明显高于单个模型的预报精度.

基于实时校正和组合预报的水文预报方法研究

基于实时校正和组合预报方法,提出了3种有效减小预报误差的耦合模型,即先实时校正后组合预报、先组合预报后实时校正以及实时校正组合预报一体化模型,并以牧马河流域为例,开展了例证研究.结果表明:3种耦合方法均能显著地减小预报误差,提高水文预报精度,其中实时校正组合预报一体化的方法效果最优.

概念性水文模型参数多目标率定及参数组合预报

针对概念性水文模型参数优化率定问题,以大、小径流过程对应的水文特性为切入点,考虑流域水文系统不同产汇流特性,提出一种多目标文化自适应仿电磁学算法(multi-objective cultural self-adaptive electromagnetismlike mechanism,MOCSEM)求解水文模型参数率定问题,并基于MOCSEM的优化结果,提出一种简便的自识别参数组合预报方法。在此基础上,将MOCSEM算法应用于概念性水文模型——新安江模型的参数多目标优化率定,与其他算法进行对比分析,应用文中提出的自识别参数组合预报方法,尝试找到一种能权衡流域水文系统不同水文特性的自识别参数组合方式,可以为水文预报人员提供更为精确的流域径流预报方法。

基于贝叶斯分析的水文组合预报模型

水文组合预报方法是对多种预报模型的预报结果进行组合分析的一种预报方法.针对历史洪水数据不丰富的流域难于利用多种水文组合预报模型进行洪水预报的现状,构建了以贝叶斯分析为基础,同时结合专家经验、马尔科夫蒙特卡洛模拟、Gibbs抽样法,并引入实时校正的组合预报模型.以嫩江流域为实例,对基于贝叶斯分析的组合预报模型的精度进行了验证.验证结果表明,该模型可行而且实用,预报精度明显高于单个模型的预报精度.

河道洪水演进的分类多模型组合预报方法

为了提高河道洪水演进预报精度,同时发挥各类预报模型的优点,提出一种组合预报方法,根据实际流域情况和资料情况选择多种洪水演进预报模型,针对不同的流量级别,利用多目标模糊优选方法选出特定条件下预报较准的模型进行分类组合预报,然后根据流量级别隶属度对各类预报结果加以组合.并以嫩江流域为实例,对组合预报方法的精度进行了验证.

基于神经网络的组合预报模型及其应用

时间序列预报是神经网络的一个应用领域,多数研究集中在神经网络直接预报方面。本文从故障预报角度研究了神经网络组合预报模型,由神经网络给出常规预报方法的最佳组合。首先从函数逼近角度阐述这种模型的理论依据,在此基础上给出了模型的评价指标和神经网络的有效训练算法,最后给出在空间推进系统上的应用实例。

基于小波分析的径流分级组合预报模型

为进一步提高径流预报精度、降低预报的不确定性,利用小波分析法提取径流系列的概貌和细节成分;采用BP网络模型、RBF网络模型、SVM模型分别模拟预报,进行径流分级。根据不同级别的径流,对预报结果予以变权重组合,构建了基于小波分析的径流分级组合预报模型,并对其预报结果作了分析和总结。宜昌站中长期径流预报结果表明,组合预报模型能够较好地提高预报精度。

基于GA-AHP法的径流组合预报

为进一步提高径流预报精度、增加预报结果的可靠性,提出了一种将遗传算法(GA)与层次分析法(AHP)相结合的优化组合预报权值方法(GA-AHP法),就是将小波分析法(WA)分别与自回归(AR)模型、人工神经网络(ANN)模型、支持向量机(SVM)模型进行耦合,选取MARE、SPR、REL、CPX四个评价指标量化单一模型的预报精度、泛化能力、结果可靠性、模型复杂度,依据GA-AHP法率定各模型的权值并进行组合预报。实例应用结果表明,该组合方法的预报精度更高,预报结果更可靠,对非一致性径流序列具有更强的适应性。

区域降水组合预报的研究

在短期自忆气候模式的基础上，着重考虑了区域性降水特点，组合均生函数时序模型，构造了区域降水预报模式．计算结果表明，它能滚动制作月、季、年降水。

组合预报及其权重确定方法

探讨组合预报应用于工程过程的重要性，指出组合预报由于能综合利用各单个模型预报的信息，因而比单个模型更适合子描述工程过程，给出了各单个模型预报的最优权重的计算式，探讨了利用基因遗传算法（ＧＡ）优化组合预报权重的方法，简介了ＧＡ算法的原理。

基于BP激活函数灵敏度分析的径流组合预报模型

BP网络模型因其自身固有属性而常被选作中长期径流组合预报模型元素之一。选取BP网络结构中重要因素——激活函数进行分析研究。引入预报精度和预报稳定性两个评价指,并采用客观熵权法和主观G1法确定两指标相对重要性;利用方差协方差法确定各单一模型指标权重,最终得出各单一模型组合预报权重值。在此基础上,设计混合水平全排列组合试验方案,采用极差分析法对激活函数进行灵敏度分析。通过实例模拟仿真可知,组合预报模型中BP网络不同层激活函数的组合工况对预报模型的收敛速度、收敛精度及泛化推广能力具有重要影响,并给出合理的基于BP网络组合预报模型建议。

基于智能计算的广西冷湿极端天气定性和定量组合预报方法研究

论文以逐日气温和降水量数据、NCEP/NCAR再分析资料以及预报场资料为基础,将表征冬季低温冷害的冷湿指数作为预报量,先利用随机森林方法进行冬季逐日冷湿极端天气定性判别预报分析,再进一步以粒子群算法为基础的模糊神经网络集成个体生成技术方法,建立一种新的非线性智能计算定量集成预报模型(PSOFNN),进行了广西冷湿极端天气定量预报模型的预报建模研究。结果表明,论文提出的这种以不同的智能计算方法构建的定性、定量综合预报分析方法,比较符合极端天气小概率事件的预报特点,其中随机森林算法构建的定性预报模型,对广西冷湿极端天气事件的预报TS评分(Threat Score)为0.77,空报率为0.23,漏报率为0,ETS评分(Equitable Threat Score)为0.41,TSS评分(True Skill Statistic)为0.53。而采用粒子群-模糊神经网络方法构建的极端冷湿指数定量集成预报模型比其他线性和非线性预报模型具有更好的预报精度。其中PSOFNN集成预报模型在预报建模样本和独立预报样本个例相同的情况下,比回归方法的预报平均绝对误差下降了25%以上,比一般的普通模糊神经网络预报平均绝对误差下降了14.37%。主要原因是因为PSO-FNN集成预报模型通过改进集成个体的预报能力和增强集成个体的种群差异性,提高了集成预报模型的预报精度。因此,该智能计算集成预报模型的泛化能力显著提高,预报结果稳定可靠,为冷湿极端天气客观预报提供了新的预报工具和预报建模方法。

基于类比合成的中长期径流组合预报方法

介绍了类比合成算法的原理,并将其应用于碧流河水库年径流量的模拟预报。结果表明:基于类比合成算法的组合预报的合格率比单要素模糊推理和ARMA模型的合格率明显提高,特别是对极值年份的预报效果更好。

基于非线性规划的多核RBF最优加权组合预报模型

在6种单核子预报的基础上,建立误差平方和最小原则下的最优加权组合预报模型,通过非线性规划寻优方法搜索出各单核子预测的最优加权系数,利用广西降雨历史资料进行建模,实验结果表明,预测结果的各项指标均优于6个单核模型的分别预报,预测精度高于同期的T213(中国气象局的全球中期天气数值预报产品预报值)模式预报,具有一定的参考价值.