多层递阶周期分析

针对经典多层递阶预报方法的某些不足,提出了一种改进的多层递阶预报模型——多层递阶周期分析。它使用时间序列的显著周期分量取代原模型中的自回归部分,使其更合理地反映气象要素自身的演变规律,有效地提高了预报精度。     

用多层递阶方法预报花生产量

目前,国内对花生产量预报方面的研究较少,其它粮食作物如小麦、水稻等作物的产量预报方法较多。一般常用的多元回归、特征根回归、多重回归等预报方法,随着预报年限的延长,预报误差会相应增大,其原因之一是在此类预报过程中,用固定参数模型来预报一个时变参数系统的状态,易产生较大的误差,并随着预报年限的延续而增大。因此逐年预报时需要重新计算模式的系数。为了克服这一缺陷,我们采用了动态系统预报的新方法——多层递阶预报方法,对我省花生产量进行预报,由于它充分考虑了参数的时变特性,因此提高了预报准确率。通过对我省花生产量预测的实际应用表明,采用多层递阶预报方法连续多年预测花生产量,准确率及精度较高,这一方法可多年使用后再进行模式运算,大大减少了工作量,这种方法早已引用于长期天气预报,对于时间紧、业务量大的产量预报也非常适用。     

带有回归系数的多层递阶预报模型

本文针对经典多层递阶方法所存在的缺陷,提出了一种改进的多层递阶预报模型。它的基本思想是将回归分析与经典多层递阶方法相结合,使之有效地消除了因子间量值差异所引起的贡献差异,较好地体现了高相关因子的重要作用。实例计算结果表明,该改进方案的预报精度有显著提高。     

多层递阶预报模型试做长期天气预报

根据预报量与预报因子的实际情况，提出用灰色系统中的关联分析筛选非线性因子。同时利用时变参数跟踪理论，将复杂的非线性系统预报问题转化成简单的带时变参数的线性多层递阶预报问题。经实际应用证明，用此法建立的多层递阶预报模型优于线性因子所建立的多层递阶预报模型。     

多层递阶预报模型的一种改进方案

本文针对气象要素与其过去的数据自相关程度一般都较差,而与其自身的显著周期分量却存在较高的线性相关关系的特点,提出了一种改进的多层递阶预报模型。它将多层递阶方法与逐步回归双重分析相结合,用显著周期分量取代经典多层递阶预报模型中的自回归部分,使之能更好地反映气象要素自身的历史演变规律,从而稳定其预报效果。     

试用多层递阶预报法作春小麦产量的农业气象预报

一、前言目前,常用的作物产量农业气象预报方法多为物理统计模式和经验统计模式等统计学方法.为克服统计学方法的不足,在此引用动态系统状态预报的一种新方法——多层递阶预报方法,试作春小麦产量的农业气象预报. 预报的基本思想是,将时变系统(产量序列)的状态预报分解为对时变参数的预报并在此基础上再对系统状态进行预报.即将春小麦产量的预报分解成对预报模型参数的预报并利     

多层递阶回归分析法在全国初夏雨量预测中的应用

在传统统计方法的基础上,引入多层递阶方法。将多层递阶方法与回归方法合二为一,作为新的预测方法尝试,以弥补常规统计方法中回归系数是常数的不足。将多层递阶回归方法应用于短期气候预测,建立多层递阶回归模型,并用全国160个气象站5月份雨量作预报试验。经过近2a的实际预报表明：该模型对华中、华东、两广大部、云贵高原大部的5月份雨量有较好的预报能力,具有一定的参考价值。     

长期天气预报中多层递阶方法的改进试验及其应用

一、引言多层递阶方法是运用现代控制理论中的系统辨识方法而提出的一种数学预测模型,它将预报对象看成是随机动态的时变系统,摒弃了经典统计理论中的固定参数预报模型,故对天气预报这一类时变系统具有较强的适应能力,因而引起了气象工作者的广泛关注,并进行了许多有益的探索和尝试。近几年来,多层递阶方法在气象领域中的应用日益广泛,特     

多层递阶方法在中期天气预报中的应用

本文用欧洲中心500 hPa中期逐日预报资料,使用多层递阶方法,提出了中期降水。气温的预报模型,业务使用结果表明,多层递阶方法对于中期天气预报也具有较好的预报能力。      

多层递阶方法在短期天气预报中的应用试验

本文使用多层递阶的基础理论,提出了短期雷暴预报的两种模型A和B。试验结果表明,多层递阶方法,对于短期天气预报也具有较强的预报能力。     

西太平洋夏季副高积分多层递阶长期预报模型

本文综合了积分回归分析和多层递阶预报方法的优点，构造了一个副高特征量积分多层递阶长期预报模型，试报的结果是令人满意的。     

海南岛冬季平均气温的多层递阶自回归长期预报模型

使用海南岛（以海口资料为代表）冬季平均气温资料,根据动态系统预测的理论,选用多层递阶自回归预报的方法,建立了海南岛冬季平均气温长期预报的多层递阶自回归预报模型,进行预报。结果表明,预报结果与实测值误差较小,冷暖年趋势预报和定量预报效果较理想。     

非线性动态系统预报的一种方法初探

本文提出一种非线性动态系统预报方法，其特点是初步考虑了预报因子的突变性和时变参数的非平稳性。数值实例说明:这种方法的预报准确性比一般多层递阶方法要好。     

基于时间序列模糊分析的作物产量多层递阶预测模型

一、引言 目前农作物产量的统计预报一般都采用线性多元回归方法,业务实践证明,以这种经典回归统计方法作产量预测,效果常常不够稳定,特别是随外延预报年限的增加,误差会明显增大。其重要原因之一,是以固定参数的回归模型预报动态的时变系统,从而造成较大误差。针对这一问题,文献[1]提出了动态系统的多层递阶预报方法,即:     

海南岛冬季平均气温的多层递阶自回归长期预报模型

使用海南岛冬季平均气温资料,根据动态系统预测的理论,选用层递自回归预报的方法,建立了海南岛冬季平均气温长期预报的多层递阶自回归预报模型,进行预报。     

带有周期分量的多层递阶方法及其应用

多层递阶方法是运用现代控制理论中的系统辩识方法而提出的一种新的数学预测模型,由于它充分考虑了动态系统的时变性质,采用了时变参数预报模型,故对时变系统有较强的适应能力。从目前所做的工作来看,天气预报中的多层递阶方法大多采用了仅有预报因子的线性单输出系统模型,其主要原因在于气象要素的自相关程度往往比较低,使得仅有预报因子的线性单输出模型反而要比含有自回归部分的一般线性单输出模型预报精度高。但     

试用多层递阶预报方法做夏季降水量预报

天气预报的多层递阶方法是运用现代控制理论中的系统辨识方法提出的一种新的数值预报方法。我们在过去工作的基础上选取六个有天气学意义的相关因子,采取仅考虑预报因子部分的多层递阶方法试作夏季降水量预报,效果较好。此外,与一般线性单输出模型、仅有自回归部分的线性单输出模型及多元回归进行了初步比较,提出一些看法。《天气预报的多层递阶方法》是运用现代控制理论的系统辨识方法,它将天气系统看成是随机动态的时变系统。从系统的外部特征着手,建立其输入-输出模型,并进行多层分析和多层递阶预报。现将我们用这种方法预报夏季(6—8月)降水量上所做的工作介绍如下:     

混合递阶遗传径向基网络及其在副热带高压预报中的应用

采用遗传算法与径向基网络结合的方法建立了副热带高压特征指数的预报优化模型.针对径向基网络结构和初始参数难以客观确定的不足,引入混合递阶遗传算法同时优化网络结构和参数.该优化方法结合了递阶遗传算法和最小二乘法的优点,具有较高的学习效率.将混合递阶遗传径向基网络用于副高数值预报产品的预报试验和效果比较,结果表明:混合递阶遗传算法优化的径向基网络模型具有较好的收敛效果和泛化能力,对副高指数的预报效果有较明显的改进和提高.     

用多层递阶周期分析作西沙海区热带气旋长期预报

西沙海区是我国受热带气旋影响最频繁的海区之一，全年除2月份外，各月均有热带气旋影响。由于西沙海区是南海的主要交通枢纽，了解西沙海区热带气旋的活动规律及做好该海区的热带气旋预报，具有重要的经济和国防意义。本文在统计分析1949～1995年西沙海区热带气旋活动规律的基础上，根据天气预报的多层递阶方法卜」的基本思路——将天气系统看成是随机动态的时变系统，把对天气系统的状态预报分成两步。首先对系统的时变参数进行预报，然后再对系统的状态进行预报。为了改进目前多层递阶方法中大多采用仅有预报因子的线性单输出系统模型存…     

小麦年景预测统计方法的实验研究

引入基于PRESS准则选取预报因子的逐步算法做小麦年景预测．并与逐步回归、多层递阶法作了对比分析，预测结果表明，逐步算法和多层递阶法优于逐步回归。将逐步算法挑选的因子用于多层递阶，预测结果更好。