|
|||||
|
|
| 基于高斯过程的日长变化预报 | |
| 引用本文： | 雷雨,赵丹宁,高玉平,蔡宏兵.基于高斯过程的日长变化预报[J].天文学报,2015,56(1):53-62. |
| 作者姓名： | 雷雨 赵丹宁 高玉平 蔡宏兵 |
| 作者单位： | 1. 中国科学院国家授时中心 西安710600;中国科学院时间频率基准重点实验室 西安710600;中国科学院大学 北京100049 2. 中国科学院国家授时中心 西安710600;中国科学院大学 北京100049 3. 中国科学院国家授时中心 西安710600;中国科学院时间频率基准重点实验室 西安710600 |
| 摘 要： | 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. |
| 关 键 词： | 天体测量 时间 方法:数据分析 |
The Prediction of Length-of-day Variations Based on Gaussian Processes |
|
| LEI Yu,ZHAO Dan-ning,GAO Yu-ping,CAI Hong-bing.The Prediction of Length-of-day Variations Based on Gaussian Processes[J].Acta Astronomica Sinica,2015,56(1):53-62. | |
| Authors: | LEI Yu ZHAO Dan-ning GAO Yu-ping CAI Hong-bing |
| Institution: | LEI Yu;ZHAO Dan-ning;GAO Yu-ping;CAI Hong-bing;National Time Service Center, Chinese Academy of Sciences;Key Laboratory of Time and Frequency Primary Standards, Chinese Academy of Sciences;University of Chinese Academy of Sciences; |
| Abstract: | |
| Keywords: | astrometry time methods: data analysis |
| 本文献已被 CNKI 万方数据 等数据库收录！ | |