利用经验模态分解提高极移预报精度（英文）

经验模态分解(Empirical Mode Decomposition,EMD)是一种数据驱动的自适应非线性、非平稳信号分解方法。为提高极移预报精度,将经验模态分解应用于极移预报中。首先利用经验模态分解方法对极移序列进行分解,获得极移的高频分量和低频分量;然后采用最小二乘(Least Squares,LS)外推模型对极移低频分量进行拟合,获得最小二乘拟合残差;其次采用自回归(Autoregressive,AR)模型对极移高频分量和最小二乘拟合残差之和进行建模预报;最后将最小二乘模型和自回归模型外推值相加获得极移预报值。将经验模态分解和LS+AR组合模型预报结果与LS+AR模型预报以及地球定向参数预报比较竞赛(Earth Orientation Parameters Prediction Comparison Campaign,EOP PCC)的预报结果进行比较,结果表明,将经验模态分解应用于极移预报中,可以明显改善极移预报精度。     

基于混沌时间序列的Volterra自适应滤波极移预报方法

针对极移复杂的时变特性, 根据混沌相空间坐标延迟重构理论, 提出一种基于Volterra自适应滤波的极移预报方法. 首先, 利用最小二乘拟合算法分离极移序列中的线性趋势项、钱德勒项和周年项, 获得线性极移、钱德勒极移和周年极移的外推值; 其次, 通过C-C关联积分法对最小二乘拟合残差序列进行相空间重构, 并利用小数据量法计算残差序列的最大Lyapunov指数验证其混沌特性, 在此基础上, 构建Volterra自适应滤波器对残差序列进行预测; 最后, 将线性极移、钱德勒极移和周年极移的外推值以及最小二乘拟合残差的预测值相加获得极移最终预报值. 利用国际地球自转服务局(International Earth Rotation and Reference Systems Service, IERS)提供的极移数据进行1--60d跨度预报, 并将预报结果分别与国际地球定向参数预报比较竞赛(Earth Orientation Parameters Prediction Comparison Campaign, EOP PCC)结果和IERS A公报发布的极移预报产品进行对比, 结果表明: 对于1--30d的短期预报, 该方法的预报精度与EOP PCC最优预报方法相当, 当预报跨度超过30d时, 该方法的预报精度低于EOP PCC最优预报方法, 优于参与EOP PCC的其他方法; 与IERS A公报相比, 该方法的短期预报效果较好, 当预报跨度增加时预报精度低于IERS A公报. 预报结果表明该方法更适合于极移短期预报.     

利用端点延拓提高LS + NN模型的UT1-UTC预报精度

现有UT1-UTC预报模式在进行周期项与残差项拟合分离时,通常没有考虑最小二乘拟合序列的端部效应,预报精度难以取得较大提高。针对最小二乘拟合存在的端部效应,首先采用灰色模型在UT1-UTC序列的两端进行数据延拓,形成一个新序列,然后对新序列进行最小二乘拟合,最后再联合最小二乘和神经网络(LS+NN)模型对UT1-UTC原始序列进行外推。结果表明,对UT1-UTC序列进行端点数据延拓再进行最小二乘拟合,能够有效地改善最小二乘拟合序列的端部效应;相对于常规LS+NN模型,端部效应改善的LS+NN模型的UT1-UTC预报精度有一定提高,尤其对中长期预报精度提高更为明显。     

一种改正LS+AR模型提高短期极移预报精度的方法

最小二乘(Least Squares,LS)与自回归(Auto Regressive,AR)联合(LS+AR)模型在极移预报(polar motion,PM)中存在以下问题:最小二乘拟合的内部残差值较好而LS外推的残差值较大;LS拟合残差序列是非线性的,故根据预报历元前的残差序列建立的AR模型可能并不适用于待预报的残差序列,存在不匹配预报的情况.针对这两个问题,通过以下方法进行解决:首先对LS拟合数据两端点附加约束条件使其固定到LS拟合曲线上,因此在两端点附近的拟合值与观测值十分接近;然后选取与LS外推残差序列变化趋势接近的内推残差序列作为AR模型的建模对象,进行残差预报.通过实例表明该方法能够有效地提高LS+AR模型在短期极移预报的精度.此外,通过与RLS(Robustified Least Squares)+AR、RLS+ARIMA(Auto Regressive Integrated Moving Average)和LS+ANN(Artificial Neural Network)模型的预报结果对比,证明了该方法在极移预报中的可行性.实例证明了所提出的方法在短期预报中可以取得良好的预报结果,尤其在1–10d超短期的极移预报上可以获得与国际最好预报精度相当的预报结果.     

利用端部效应改善的最小二乘外推模型进行UT1-UTC预报

现有的UT1-UTC预报模式在进行周期项与残差项拟合分离时,通常没有考虑最小二乘拟合序列的端部畸变现象(数据处理中称为端部效应),预报精度难以取得较大改善。针对最小二乘拟合存在的端部畸变现象,首先采用时序分析方法在UT1-UTC序列两端进行数据延拓,形成一个新序列,然后用新序列求解最小二乘外推模型系数,最后再联合最小二乘外推模型及神经网络对UT1-UTC序列进行预测。结果表明,在UT1-UTC序列端部增加延拓数据,可以有效地抑制最小二乘拟合序列的端部畸变,相对于常规的最小二乘外推模型,基于端部效应改善的最小二乘(Edge-effect Corrected Least Squares,ECLS)外推模型的UT1-UTC中长期预报精度改善明显。     

考虑LS+AR模型基础数据量的极移预报研究

针对目前极移最小二乘(Least Square, LS)+自回归(AutoRegressive, AR)预报模型的单一数据选取方案, 提出分别考虑LS模型数据量和AR残差数据量的组合数据模式, 并对极移预报时单一数据和组合数据预报结果精度进行分析, 探讨模型输入数据量对极移预报精度的影响. 结果表明, 模型输入数据量的变化对极移预报结果影响较大. 采用组合数据预报的方式相比较于单一数据量预报方式精度更高, 特别是针对30--360 d跨度内的中长期预报, 组合数据量的极移预报精度可比单一数据量预报精度有较大改善. 结论证明组合数据在极移预报时具有一定的优势, 可为以后极移预报数据量选取提供一定的借鉴参考意义.     

经验模式分解在极移超短期预报中的应用

经验模式分解(Empirical Mode Decomposition,简称EMD)是一种数据驱动的自适应非线性时变信号分解方法,可以把数据分解成具有物理意义的模式函数分量.采用EMD对极移序列进行分解,去除序列中的高频信号,然后基于最小二乘外推(Least Squares Extrapolation,简称LSE)和广义回归神经网络(General Regression Neural Network,简称GRNN)的组合模型对去除高频信号的极移序列进行1～10d的超短期预报.实验结果表明:将该模型应用到极移超短期预报具有可行性,预报精度有明显改善.     

基于高斯过程的日长变化预报

由于日长(length-of-day,LOD)变化具有复杂的时变特性,传统线性模型如最小二乘外推模型、时间序列分析模型等的预报效果往往不甚理想,所以将一种新型的机器学习算法—高斯过程(Gaussian processes,GP)方法用于LOD变化预报,并将预报结果同利用反向传播神经网络(back propagation neural networks,BPNN)和广义回归神经网络(general regression neural networks,GRNN)的预报结果以及地球定向参数预报比较竞赛(Earth Orientation Parameters Prediction Comparison Campaign,EOP PCC)的预报结果进行对比.结果表明,GP用于LOD变化预报是高效可行的.     

广义回归神经网络在日长变化预报中的应用

传统的日长变化预报多是基于线性模型,如最小二乘模型、自回归模型等,但是日长变化包含了复杂的非线性因素,线性模型预报的效果往往不甚理想.所以尝试使用一种非线性神经网络—广义回归神经网络(GRNN)模型进行日长变化预报,并将结果与使用BP (Back Propagation)神经网络模型和其它模型的预报结果进行比较.结果表明,GRNN用于日长变化预报是高效可行的.     

顾及最小二乘拟合端点效应的日长变化预报

针对日长(Length Of Day,LOD)变化预报中最小二乘(Least Squares,LS)拟合存在端点效应的问题,采用时间序列分析方法对日长变化序列进行端点延拓,形成一个新序列,然后用新序列建立最小二乘模型,最后再结合最小二乘模型和自回归(Autoregressive,AR)模型对原始日长变化序列进行预报。实验结果表明,在日长变化序列两端增加统计延拓数据,能有效减小最小二乘拟合序列的端点畸变,从而提高日长变化的预报精度,尤其对中长期预报精度提高明显。     

一种改进钟差二次多项式模型的导航卫星钟差预报方法

为了更好地反映钟差特性并提高其预报精度,建立一种能够同时考虑星载原子钟物理特性、钟差周期性变化与随机性变化特点的钟差预报模型.首先采用附有周期项的二次多项式模型进行拟合提取卫星钟差(Satellite Clock Bias,SCB)的趋势项与周期项,然后根据拟合残差的特点采用时间序列ARIMA(Auto-Regressive Integrated Moving Average)模型对残差进行建模;最后将两种模型的预报结果结合得到最终钟差预报值.使用IGS(International GNSS Service)精密钟差数据进行预报试验,将新方法与二次多项式模型、灰色模型及ARIMA模型进行对比,证明了新方法能够更高精度地预报卫星钟差,且可以一定程度上改善ARIMA存在模型识别与定阶不准的不足.     

基于有效角动量函数的多参数极移预报

极移的变化与多种激发息息相关,这些激发包括大气表面压力和大气风、海底压力和洋流、陆地水分布以及气候变暖导致的海平面变化,并且可以通过有效角动量函数来估计.在极移预报中,通过刘维尔方程融合有效角动量函数,并利用最小二乘与自回归组合的方法进行拟合及外推,同时,对自回归模型的可调节参数设置更多的选择,在不同的极移预报阶段,对于不同分量的预报匹配更优的参数,有效地提高了极移的预报精度.在441次1–90 d的极移预报实验中,短中期的预报改善更为明显,在1–6 d和7–30 d的极移X预报结果中,分别有56.9%和53.5%优于国际地球自转服务(International Earth Rotation Service, IERS)的预报;在1–6 d和7–30 d的极移Y预报结果中,分别有66.5%和59.7%优于IERS的预报.整体上,极移Y的预报精度比极移X的预报精度有更多的提升,以IERS的地球定向参数(Earth Orientation Parameters, EOP)产品EOP 14C04 (IAU2000A)为参考,极移X预报在第1 d、第5 d的MAE (Mean Absolute...     

基于LS+AR模型的三种方式预报地球自转参数的比较

为研究最小二乘(least squares,LS)模型和自回归(autoregression,AR)模型的组合(LS+AR)方法用于地球自转参数(Earth rotation parameters,ERP)的预报时,不同的预报方式对预报结果的影响,我们采用递推、迭代和间隔这3种预报方式对ERP进行预报。结果表明,这3种方式对日长变化(length of day,LOD)所有跨度预报的精度相当,而递推方式在极移所有跨度的预报上表现出精度优势,间隔方式次之,迭代方式最差。在数据利用率和计算速度方面,递推和迭代方式的数据利用率高,但前者的计算量明显小于后者,而间隔方式的数据利用率低,但计算速度最快。     

最小二乘和自回归模型方法联合预报天极偏差序列

为更好地实现天极偏差序列的预报,采用了最小二乘(least-squares,LS)拟合外推与自回归模型(autoregressive,AR)联合预报方法 (LS+AR),并对预报精度进行评估。结果表明,LS+AR模型对CPO序列1～5 d的短期预报有较高的精度,而对5～90 d的预报,dx方向大约为110μas,dy方向大约为130μas。而国际上常用的Lambert模型的预报精度比较平稳,其中dx方向在120μas左右,dy方向在220μas左右。结果表明,LS+AR模型的预报精度总体上优于Lambert模型。     

基于经验模式分解和最小二乘支持向量机的卫星钟差预报

针对卫星钟差(satellite clock bias,SCB)呈现非线性、非平稳变化的特性,提出结合经验模式分解(empirical mode decomposition,EMD)和最小二乘支持向量机(least squares support vector machines,LSSVM)的钟差预报方法.首先对钟差相邻历元间作一次差,并利用经验模式分解将差分序列分解成若干不同频率的平稳分量,分解后的分量突出了差分序列不同的局部特征;然后根据各个分量的变化规律,选择合适的核函数和相关参数构造不同的最小二乘支持向量机模型分别预报;最后将各分量预报值叠加得到一次差预报值,再将其还原得到钟差预报值.实验结果表明,所提方法与常用的二次多项式(quadratic polynomial,QP)模型、灰色系统(grey model,GM)模型和单一的最小二乘支持向量机模型相比,具有较高的预报精度和较强的泛化能力.     

机架模型下指向误差数据的筛选与分析

对地平式望远镜机架模型拟合的指向误差数据进行分析,介绍了指向误差数据的获取方法。采用最小二乘法求解修正系数,结合方位轴和高度轴的位置拟合指向修正量。在显著性水平α=0.05下进行残差分析,剔除偏离过大的点以提高拟合精度。通过计算均方根误差、相关系数、F检验的P值验证了机架模型的有效性。结果说明增加测试数据后,未经残差检验不一定能提高拟合精度,以及分次获取的误差数据可合并处理。将求解的系数写入配置文件,在指向与跟踪过程中根据光栅编码器的反馈值实时修正。     

加权最小二乘法与AR组合模型在极移预测中的应用研究

分析了极移预测的重要性,介绍了目前极移预测的主要方法.根据目前常用预测模型中周年项和钱德勒项的时变性质,在极移预测方法上进行了一种新的尝试,即利用加权最小二乘法与AR组合模型对极移进行预测.为进一步优选模型中的加权函数,设计了3种选权方案,并通过对比,给出了极移X、Y序列各自合适的选权方案.通过实验最终验证了这种新方法对极移预测的精度提高有一定作用,可作为极移预测的一种参考方法;但该方法作为极移预测的一种新的尝试,在选权方案优选时,其物理激发上的理论依据仍需进一步探讨.     

基于GM(1,1)和MECM组合模型的GPS卫星钟差中短期预报

针对卫星钟差呈现趋势项和随机项变化的特点,提出了基于GM(1,1)(灰色预报模型)和修正指数曲线法(Modified Exponential Curve Method,MECM)的组合预报模型.该模型首先采用GM(1,1)预报钟差的趋势项,然后利用MECM模型对GM(1,1)残差序列进行建模和预报,最后将GM(1,1)和MECM模型的预报结果相加得到钟差的最终预报值.此外,采用IGS(International Global Navigation Satellite System Service)公布的精密卫星钟差进行预报试验,通过与卫星钟差预报中常用的二次多项式和MECM模型预报结果的对比分析,结果表明:该方法可以对GPS卫星钟差进行高精度的中短期预报.使用12 h钟差建模时,预报6 h、12 h、18 h和24 h的平均预报精度分别为0.43 ns、0.63 ns、0.74 ns和0.79 ns,相比于二次多项式的平均预报精度分别提高了57.43%、69.71%、80.47%和86.74%,相比于MECM模型的平均预报精度分别提高了50.57%、64.41%、76.80%和84.20%;使用24 h钟差建模时,预报6 h、12 h、18h和24 h的平均预报精度分别为0.57 ns、0.61 ns、1.02 ns和1.48 ns,相比于二次多项式的平均预报精度分别提高了32.94%、55.47%、55.07%和53.16%,相比于MECM模型的平均预报精度分别提高了92.98%、66.30%、65.42%和63.99%.     

基于灰色模型和最小二乘支持向量机的卫星钟差预报

提出一种联合灰色模型（Grey Model,GM）和最小二乘支持机（Least-Squares Support Vector Machines,LS-SVM）回归算法的卫星钟差智能组合预报方法。首先根据历史钟差数据建立不同的GM（1,1）灰色模型,然后利用这些模型进行钟差预报,最后采用最小二乘支持向量机回归算法对不同GM（1,1）模型的预报结果进行非线性组合,以获得最终预报值。该方法在充分利用灰色模型所需原始数据少、建模简单等优点的基础上,结合最小二乘支持向量机所具有的小样本、非线性、泛化能力强等特性,提高了预报可靠性和精度。实例验证了该组合方法的可行性、有效性和实用性。     

应用神经网络技术预报海表温度变化异常

介绍了神经网络技术在时间序列模拟和预报中的应用要点;应用神经网络技术对Nino3.4海区海表温度变化异常(SSTA)进行了实验预报,每次给出1～12个月预报值;将预报值与SSTA实测值以及其它模型的预报值进行了比较。结果表明,在1990年1月～2007年10月期间,SSTA预报值与实测值的均方误差为±0.76℃。将2004年10月～2007年10月期间该方法的预报结果与美国气候预测中心(CPC)发布的各种模型的预报结果(只给出第2～10月预报值)进行比较,结果表明这一期间该方法预报值相对实测值的均方误差为±0.86℃,精度略好于另外一个神经网络模型的预报精度(±0.98℃)。