混沌RBF神经网络的地磁变化场预测模型

提出一种融合混沌理论和RBF(radial basis function)神经网络的地磁变化单站预测模型。分析磁场数据的混沌特性,求取关键参数嵌入维数m和时间延迟τ,据此对初始数据进行相空间重构,并将经混沌理论优化的样本集作为神经网络的训练集和测试集进行仿真实验。结果表明,经混沌理论改进后的RBF神经网络模型可以较为准确地预测地球磁场的变化趋势,对我国地磁场的适用性较好,具有一定的泛化能力。     

基于混沌理论、变分模态分解和长短期记忆网络的地磁变化预测方法

针对地磁变化场的非平稳性、非线性以及物理模型难以预测的特点,提出了一种改进的长短期记忆网络预测方法并进行了验证。首先应用变分模态分解方法对地磁台站数据进行去噪,再根据地磁变化的混沌特性引入混沌理论对样本集进行优化,最终以长短期记忆网络预测地磁变化并对改进前后的方法进行了对比。结果显示,优化方法的预测效果较稳定,平均绝对误差小于2 nT,相关指数R²超过0.8,预测值与实测值的拟合度较高,有效预测时长可达2.5天,且在中国大陆的泛用性较好。