������С���˵��Ŷ�����

??????????????????????????????????????????????????????????????????????????????????????????????????μ???С???????????С????????????????????????С??????????????????????????????????????????????С???????????????????????????????????С??????????????????С???????????С????????????????????????????     

������������ˮƽ���ٶȸ�����С��Ԥ����

]?????????????????????????????????????С???任????????????????????????????С???????????????????????????????С???任??????????????????HaarС????db4С????db6С????sym6С?????????С?????????????????????FIR????????????????б??,?????????С??????????????????????????FIR??????????????????????????db???С????????????????????????????????????????????????????????db???С??????????????sym8С????     

������С���˽������о�

??????????,??????????С?????????С??????????任???????????????????С?????????????????????С???????????????????С??????????????????С????????????????????С???????????????????????????????????????????????С????????С????????в??λ??????????????????     

��Ͻṹ������С���˲�������

???????????????????к?????????????????к??????????????????????С????????????????????????????????????С?????????????????????????С?????????????????????????С?????????????????????????????????????????????????????????????????С?????????з???????????????????????????????????????????С?????????????????????????????к?????????????????????????????????????????????????λ????????????????????????λ?????????????????????????????????????з?????????????????????????????????????????,??????????С??????????????????λ???????????????????????????     

���ʶ���������С�������������ͬ�׷�����Ӧ��

???????????????????????Jacobian???????????????????????????????С?????????????????????????С?????????????????????????в?????????С??ж?????????????????????2??????????????????仮??????????????????С??????????н???????????÷???????????????????????????????????????????????????????????????????????????????????????????????????????????С??????????????С??????     

������С���˷������������о�

?????????????????????С??????????????????????????С????в????????С????в?????????????????????????Σ??о???????С?????????????С??????????С??????????????????????ó???????????????????ó?????????     

��Ȩ������С���˵ĵ����ⷨ

?????????????С???????????????????????С???????????????С???????????????????????????????????????С?????????????????????????С??????????????????й?????????????????????????y?????????     

����������С���˵ĵ��漤��ɨ������λ����

????????????λ????С?????λ??????????????????????????漤?????????λ????????С????????λ???????????????????????????С??????????÷??????????????????????????????????????????????????????????С?????????С????????????????????????????????????????嶨λ???????     

�ؿ�Ӧ��������ݵ�������С���˷���

??????????С????????о???????(??)??????????????????????????????????????????????????????????????????????????????ü???λ??????????????(??)????????????С???????????????????????????????????м???в??????????????????????????м???????????????????????????????????????????????????С??????????????????????????????????????????????????????С???????????С?????????????????????????????????С????????о???????????????????Ч???     

�����SVD�ֽ����ʼ������ȿ���ƽ���е�Ӧ��

??????????????(SVD,Singular Value Decomposition)????????????????????????????M-P??????????????????ó????????????????????????M-P??????;??????????????????????????С??????С?????????????????????????????????????????????????????????;?????????С??????С??????????????????????????????????????δ???????С??????С?????;????????????????????????????????????????????????Ч???     

����ѧϰ���������Ӳ�Ԥ���е�Ӧ��

?????????????????????????????Sigmoidal??Sine??Hardlim??????????????????????????????????????????????????????б??????????????????????????????????????????????????????????????????????磬?????Sigmoidal????????????????????????     

基于混沌加权一阶局域法的IGS超快星历钟差预报

为提高IGS超快星历钟差预报产品的精度,针对卫星钟差数据具有确定项和随机项成分的特点,在采用多项式模型对钟差确定项建模的基础上,提出采用混沌加权一阶局域法对钟差随机项进行建模预报。仿真结果表明,采用混沌加权一阶局域法的预报精度优于超快星历钟差预报产品。     

基于多尺度最小二乘支持向量机优化的克里金插值方法

克里金插值方法根据待估位置点、已知样本数据点的位置关系和区域化变量的空间相关性,实现空间加权估计,满足估计的无偏性和最优性。传统方法理论模型形状固定且选择具有人为主观性,无法反映空间数据的变化趋势及其空间多尺度特征。本文为解决上述问题,提出了一种基于多尺度最小二乘支持向量机优化的克里金插值方法,此方法为拟合实验变异函数提供了一种新的思路。从实际样本数据的变化趋势出发,采用最小二乘支持向量机拟合实验变异函数,并利用不同尺度小波核反映不同尺度下的空间变化。最后,实验环节包括模拟和应用,模拟主要验证经多尺度最小二乘支持向量机优化后插值方法的科学有效性以及准确性,应用主要研究青岛市PM_2.5浓度时空分布特征,为城市生态科学防护及控制提供理论依据。结果表明,基于多尺度最小二乘支持向量机优化的克里金插值方法能够更好地刻画变异函数,反映不同尺度下的空间变化细节,从而在一定程度上提高插值的精度,是一种可选的克里金插值方法。     

һ���µij��������Ӳ�Ԥ������

????????????????????·???????????????????????????????????г?????????????????????????????????????????????ó???????????????????????????÷?????????????????????????????????     

BDS星载原子钟周期项特性及预报研究

采用频谱分析方法对BDS星载原子钟的周期项变化规律进行分析,继而构建了附有周期项的精密钟差预报模型。在此基础上,对预报模型的短期预报效果和不同类型卫星的预报精度差异进行分析。结果表明,不同类型的卫星均表现出较为显著的12 h和24 h的周期项变化规律,但其对应的能量幅值存在差异;与传统的二次多项式预报模型相比,结合周期项改正的钟差预报模型能够提高预报精度,6 h的预报精度约为2 ns,24 h的预报精度约为10 ns。     

��̬�Ƚ�֧���������ڴ�ӱ���Ԥ���е�Ӧ��

???????????????????????и?????????С???????????????????????????????LS??SVM?????????????????????????????????????????????????????????????μ???LS??SVM??????????????γ??????LS??SVM??????????????д???????????????????Ч????     

基于灰色关联和相关向量机的隧道地表沉降预测

基于灰色关联算法确定与地表沉降有直接重要关联的主要影响因子,构建高斯核函数和多项式核函数的加权核函数,利用遗传算法优化模型参数,建立相关向量机地表沉降预测模型。实验结果表明,灰色关联算法能定量地反映系统影响因子与地表沉降变化的关联程度,有效处理不是完全明确的灰色系统信息;加权核函数的合理组合可较好地通过低维空间线性不可分映射变换到高维特征空间线性可分;遗传算法具有计算过程简单和自适应迭代寻优特点;相关向量机模型可极大地减少核函数的计算量,计算过程和结果均具有概率解释。该模型预测结果的多项精度指标值均优于BP神经网络和GR-SVM方法。     

����ARIMA��ANN���ģ�͵������Ӳ�Ԥ������

?????????????????????????????????????????????ARIMA??ANN??????????????????????????ARIMA????ANN???????????????б??????????????????????????????????????????????????????????????????????????????????IGS??????????????????????????????ARIMA????ANN??????????????ж?????????????????????????????????????????????????????????????????棬???????С??50%??     

�������Ӿ���ʱ�Ӳ����Ŀ�����������Ӳ�Ԥ��

???????????????????????????????????????????????????????????????????????Ч?????????????????÷??????????1 ns??????0.01 ns??????????????÷?????ù????????????????????????????????????????????????????????????????????????÷??????????IGS?????????????????????????????????     

基于EM算法优化相关向量机的BDS-3超快速钟差预报

提出一种基于EM算法优化相关向量机(RVM)的BDS-3超快速钟差预报算法。首先,利用组合MAD法预处理钟差数据,并进行一次差分计算;然后,利用钟差一次差分数据对RVM模型进行训练,通过EM算法迭代求取模型的超参数;最后,利用优化后的RVM模型进行数据预测,将钟差一次差分预测值还原,得到钟差预报值。采用iGMAS中心提供的实测BDS-3超快速钟差数据进行预报实验,并将本文模型与QP模型、SA模型及iGMAS超快速钟差预报产品(ISU-P)结果进行对比分析。结果表明,对于6 h、12 h和24 h预报,本文模型预报BDS-3卫星钟差数据的平均精度均优于0.61 ns;与ISU-P、QP模型和SA模型相比,本文模型预报24 h时精度分别提升64.1%、50.0%和49.2%。