共查询到10条相似文献,搜索用时 328 毫秒
1.
2.
3.
针对导航卫星短期钟差预报精度不高的问题,文章提出了一种基于果蝇优化算法(FOA)优化灰色神经网络的卫星钟差预报方法.利用FOA较强的全局寻优能力对灰色参数进行迭代动态微调,改善随机初始化所导致网络进化易陷入局部最优的问题,以提高灰色神经网络的预报精度;选取IGS产品中典型的卫星钟差数据,分别采用FOA优化灰色神经网络模型、神经网络模型、灰色系统模型和灰色神经网络模型进行短期钟差预报.仿真结果表明:FOA优化灰色神经网络模型的预报精度优于其他三种模型,性能满足卫星短期高精度钟差预报的要求. 相似文献
4.
动态灰色模型丰富和完善了静态GM(1,1)模型,它虽然有效地降低了建模时原始序列长度、原点误差的影响,且提高了数据预测的精度,但是传统的动态灰色模型为保持数据维度的不变性,必须对旧有信息进行强制舍弃,因此会导致建模数据量受到限制,预测结果容易失真,且对维度以外的信息不加筛选的舍弃致使致有用信息大量流失。本文对传统动态灰色模型做出改进,并将改进后的模型用于变形监测分析与预报中,且与传统的GM(1,1)模型和动态灰色模型的预测精度做对比,最终验证改进后模型的有效性。 相似文献
5.
6.
基于Matlab的灰色回归组合模型,是对灰色GM(1,1)模型以及线性回归模型的补充和改善,通过对某工程沉降监测数据进行分析和处理,并且与单一模型的预测精度相比较,从预测结果可知该组合模型的预测精度与单一模型相比有较大提高,这对于预测工程时间有一定的指导意义。 相似文献
7.
针对GM(1,1)模型对随机波动性较大的数据拟合较差、预测精度低的缺点,提出了基于小波去噪的灰色动态模型。首先运用小波滤波消除数据噪声,使数据更具规律性;再利用灰色动态模型预测变形;最后对高层建筑物沉降监测数据的预测值与实测值进行对比分析。结果表明,该模型的预测误差较小、精度较高,适合在变形预测中应用。 相似文献
8.
灰色理论模型是采用较少的数据对目标进行预测,但在建模过程中容易受到随机扰动的影响。卡尔曼滤波可以很好地剔除建模数据的随机干扰噪声,和灰色理论模型结合在一起进行数据的预测,可以提高预测的精度,更好地预测目标的变形趋势。传统的灰色理论模型GM(1,1)在预测过程中没有考虑未来因素对系统的影响,做长期预测,精度会降低。文中研究在预测过程中引入新的信息,建立等维灰数递补的动态灰色理论模型,结合工程实例,与传统的静态模型作对比,动态模型预测的结果更加优化,精度更高。 相似文献
9.
10.
建筑物变形监测数据呈现出典型的时变、非平稳和小样本特征,导致传统单一模型难以获得满意的预测精度。针对该问题,本文提出将卡尔曼滤波与灰色模型结合构建一种组合预测模型。首先利用卡尔曼滤波对原始监测数据进行平滑滤波,对数据中所含随机干扰误差进行动态抑制;之后利用灰色模型拟合数据中隐含的变形趋势信息,从而在小样本情况下获得较长时间的预测能力。基于实际建筑物变形数据开展试验,结果表明:与传统小波分析、灰色模型相比,该方法的预测精度明显提升,并且在小样本情况下具有更高的稳健性。 相似文献