数据预处理对最小二乘支持向量机预报钟差的影响

分析在基于最小二乘支持向量机的卫星钟差预报中样本数据预处理的必要性,列举了归一化、标准化和相邻历元一次差3种数据预处理方法。然后结合实例,对比分析不同数据预处理方法对基于最小二乘支持向量机的钟差预报精度的影响,得出不同方法对钟差预报精度的影响不同,其中,基于一次差方法的预报精度最高。最后,将基于一次差方法的最小二乘支持向量机预报模型与常用的二次多项式模型和灰色系统模型进行比较,结果表明,最小二乘支持向量机模型的预报效果明显优于两种常规模型。     

结合双树复小波和广义回归神经网络的钟差预报方法研究

针对卫星钟差呈现出非线性、非平稳变化的特性,提出了一种基于双树复小波和广义回归神经网络的卫星钟差预报方法。该方法充分利用双树复小波变换的完全重构、近似平移不变性和较好的方向选择性等优良特性,首先把钟差时间序列分解成具有不同频率特征的分量,然后根据各分量的特点构建高频和低频广义回归神经网络进行预报,最后将各分量的预报结果进行叠加得到最终的预报值。以IGS提供的钟差数据为例进行试验,并与单一的灰色模型、最小二乘支持向量机和广义回归神经网络的预报结果进行对比分析。结果表明,该方法具有较高的预报精度,对于较长时间的钟差预报也能保证较好的预报效果,应用于卫星钟差预报可行、有效。     

最小二乘支持向量机回归的卫星钟差非线性组合预报

针对应用单一方法预报卫星钟差的局限性,文章提出了基于最小二乘支持向量机回归的卫星钟差非线性组合预报方法:首先根据历史钟差数据建立二次多项式模型和灰色模型,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两种模型的预报结果进行非线性组合,以获得最终预报值;对比了RBF核函数、线性核函数和多项式核函数对组合预报性能的影响,并将本文组合预报方法与经典权组合方法进行比较。结果表明,本文方法优于经典权法,且线性核函数更适合组合预报。     

改进粒子群优化最小二乘向量机卫星钟差预报

针对提高导航卫星钟差预报精度的研究不足的现状,文章结合灰色预报模型和最小二乘向量机预报模型的特点,研究建立灰色系统与最小二乘向量机的结合预报模型:引入惯性权值和加速度因子随优化代数变化的改进粒子群算法,以提高算法的优化能力;并用其对模型惩罚因子和核函数参数选取过程进行优化;选取具有代表性的卫星钟差数据,建立改进粒子群优化的GM-LSSVM模型进行短期钟差预报分析,并与传统的GM(1,1)预报模型和BP神经网络预报模型进行精度比较。仿真结果表明,优化后的模型预报精度优于GM(1,1)预报模型和BP神经网络模型。     

地面高光谱和PROSAIL模型的冬小麦叶绿素反演

针对现有研究在反演叶绿素含量不足的问题,该文基于地面高光谱和实测农学数据,采用PROSAIL模型和连续小波变换并结合偏最小二乘回归、支持向量机和人工神经网络方法反演冬小麦叶绿素。先通过PROSAIL模型模拟作物光谱,再对模拟光谱进行连续小波变换,筛选出敏感波段和尺度并应用于4组实测数据,最后利用小波系数和实测叶绿素构建偏最小二乘回归、支持向量机和人工神经网络反演模型。研究结果表明,利用小波系数构建反演模型的精度相比于植被指数反演有所提高,在基于小波系数反演叶绿素的方法中偏最小二乘法精度略高于其他两种方法。通过将PROSAIL模型、连续小波变换和偏最小二乘回归结合能够实现冬小麦叶绿素遥感估算。     

三种综合预报卫星钟差的方法

针对应用单一方法预报卫星钟差的局限性,提出综合预报钟差的3种方法,分别是经典权法、有效度权法和最小二乘支持向量机回归法。通过实例验证这3种方法的有效性,最后分析它们的优缺点。     

基于小波变换和支持向量机的大坝变形预测

提出了一种基于小波变换和支持向量机的大坝变形预测方法.通过小波变换把变形时间序列分解成具有不同频率特征的分量,根据各分量的特点构造不同的支持向量机模型进行预测,然后把各分量的预测结果进行重构,作为最终的变形预测结果.实例证明,该方法具有很高的预测精度和较强的泛化能力.     

小波去噪的灰色最小二乘支持向量机变形预测

针对变形监测数据的随机性和非平稳性,以及单一预测模型的不足,该文提出了基于小波去噪的灰色最小二乘支持向量机变形预测模型。采用小波去噪对原始数据进行降噪处理,减弱数据随机扰动的影响,建立灰色最小二乘支持向量机模型,并采用粒子群算法寻找最优参数。通过大坝位移监测数据实例对模型进行验证,并与灰色模型、最小二乘支持向量机以及灰色最小二乘支持向量机进行对比分析。实验结果证明,该模型预测精度更高、稳定性更强。     

利用遗传优化LSSVR进行导航卫星钟差预报

为提高导航卫星钟差预报的精度,提出了一种最小二乘支持向量回归(LSSVR)和遗传算法(GA)相结合的导航卫星钟差预报方法。根据卫星钟差序列变化的非线性特征,选用高斯径向基函数(RBF)建立卫星钟差LSSVR预测模型。针对LSSVR模型的参数选择问题,引入GA对不同星座以及原子钟类型预测模型的参数进行搜索寻优。该方法能够在较大范围内自动确定优化参数,提高LSSVR的泛化性能。将所提出的方法用于GPS卫星钟差的短期预报,并与常规预报方法进行对比。结果表明,GA-LSSVR模型对不同星座以及原子钟类型钟差预报均表现出良好的稳健性,能够在一定程度上抑制钟差预报误差随时间延长不断增大的问题,整体预报精度优于常规方法。     

顾及卫星钟随机特性的抗差最小二乘配置钟差预报算法

为了更好地反映钟差特性并提高其预报精度,采用抗差最小二乘配置方法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。首先使用附有周期项的二次多项式模型进行拟合提取卫星钟差的趋势项与周期项,然后针对剩余的随机项及其可能存在的粗差,采用抗差最小二乘配置的原理进行建模,其中最小二乘配置的协方差函数通过对比协方差拟合的方法并结合试验进行确定。使用IGS精密钟差数据进行预报试验,将本文方法与二次多项式模型、灰色模型进行对比,预报精度分别提高了0.457 ns和0.948 ns,而预报稳定性则分别提高了0.445 ns和1.233 ns,证明了本文方法能够更好地预报卫星钟差,同时说明本文的协方差函数确定方法的有效性。     

基于噪声估计的卡尔曼滤波用于GPS卫星钟差预报研究

利用重叠哈达玛方差确定卫星钟噪声随机模型,采用顾及钟差随机噪声模型的卡尔曼滤波进行钟差预报分析,并与最小二乘预报算法相比较,得出以下结论:卡尔曼滤波进行1 d以内的短期预报时,精度达到亚纳秒级,优于最小二乘预报算法,在长期预报或拟合数据量较少时,最小二乘预报精度优于卡尔曼滤波。     

利用小波分解改进极移预报模型

为进一步提高极移预报精度,将小波分解引入极移预报中。首先利用小波分解对极移序列进行分解,分离低频分量与高频分量,然后对低频分量建立最小二乘外推模型,获得极移序列的趋势项外推值与残差序列,最后采用自回归（autoregressive,AR）模型对高频分量与残差序列之和进行预报,最终极移的预报值为最小二乘外推值与AR模型预报值之和。结果表明,小波分解可以明显改善最小二乘外推与AR组合模型的极移预报精度,尤其对于中长期预报改善更为明显。     

基于双树复小波-LSSVM的大坝沉降预测

大坝沉降往往受多种因素影响,对此提出一种基于双树复小波-最小二乘支持向量机(LSSVM)的大坝沉降预测方法.利用双树复小波有效分离出大坝原始序列中隐含的不同频率分量,分析影响大坝沉降的水位、温度与各频率分量的关系,建立相应的LSSVM预测模型.实验表明,该方法有较高的预测精度.     

灰色最小二乘支持向量机在滑坡变形预测中的应用

结合灰色系统思想与最小二乘支持向量机构成灰色最小二乘支持向量机,根据目前灰色模型与最小二乘支持向量机结合的方法,提出并联型、串联型和残差型三种预测模型的结构.将上述三种灰色最小二乘支持向量机模型用于对三峡库区石佛寺滑坡垂直位移进行预测,模型精度和预测结果比较理想,优于单一预测模型.试验表明:灰色最小二乘支持向量机可提高预测精度,用于滑坡变形预测是有效可行的.     

一种利用加窗LSSVM拟合GPS在轨卫星钟差的算法

利用最小二乘支持向量机(least squares support vector machine,LSSVM)来对GPS在轨卫星钟差数据进行拟合,针对LSSVM拟合钟差两端发散的现象,利用加窗的方法进行抑制。采用IGS提供的精密钟差进行算例分析,发现加窗LSSVM钟差拟合算法比现有的钟差拟合算法精度更高,且基于多项式的核函数比较适合加窗LSSVM钟差拟合。     

灰色最小支持向量机模型在高程拟合中的应用

针对传统单一灰色最小二乘支持向量机(GLSSVM)高程拟合方法的不足以及LSSVM模型参数选择的随机性,该文提出了一种基于PSO-GA算法优化的灰色最小二乘支持向量机高程拟合模型。模型将灰色模型与最小二乘支持向量机模型相结合,建立GLSSVM模型,并结合粒子群算法与遗传优化算法寻找GLSSVM模型的最优参数组合。为进一步验证提出模型的可靠性与有效性,通过具体工程实例,并将拟合结果分别与粒子群算法优化的最小二乘支持向量机模型(PSO-GLSSVM),遗传算法优化的最小二乘支持向量机模型(GA-GLSSVM)及单一GLSSVM模型进行对比分析,结果表明,PSO-GA-GLSSVM模型拟合精度更好,可靠性更高,为高程拟合研究提供了一种思路。     

基于高光谱的鲜桃叶片叶绿素含量检测

为实现鲜桃叶片叶绿素含量的快速无损检测,使用鲜桃四个生长时期的叶片光谱数据及其叶绿素含量数据,利用原始光谱及其变换形式,采用主成分分析和小波去噪预处理数据作为输入矢量,采用支持向量回归机和偏最小二乘法分别构建基于主成分分析-支持向量回归和小波去噪-偏最小二乘回归两种方法的预测模型,并与传统方法建立的模型结果进行比较。通过实验发现,整体建模结果最优的全生长期数据校正集和验证集模型的R2为0.872 7和0.871 4,RMSE分别为0.156 3和0.154 4;采用传统建模方法时,效果最优的是主成分回归模型,全生长期验证集模型R2为0.825 9,RMSE为0.174。结果表明:采用主成分分析-支持向量回归和小波去噪-偏最小二乘回归建模方法的建模效果均优于传统方法,能够应用于基于高光谱的鲜桃树叶绿素含量检测。     

优选小波函数的小波神经网络预报GPS卫星钟差

为了提高卫星钟差预报的精度,针对小波神经网络(WNN)模型未能根据实际情况选取合适的小波函数的问题,本文提出一种基于"Shannon熵-能量比"的优选小波函数的小波神经网络钟差预报模型。首先利用小波函数对钟差一次差分数据进行连续小波变换,得到变换后的小波系数。然后分别计算小波系数的能量值和Shannon熵值,将"Shannon熵-能量比"(SEE)作为最优小波函数选择的评价指标,以指导选择最适合的小波函数作为WNN模型的激活函数。最后利用优选的WNN模型对卫星钟差进行预报,对预报的结果进行对比分析。结果表明:该评价指标能够根据卫星钟差实际情况准确指导WNN模型选择合适的小波函数,提高WNN模型的预报精度和适用性,使该模型可以实现卫星钟差较高精度的预报。     

利用最小一乘法改进的灰色模型的导航卫星钟差预报

在卫星钟差波动较大的情况下,为了克服基于最小二乘法估计灰色模型参数对卫星钟差预报精度的不足,本文利用最小一乘法对传统灰色模型进行了改进。在建模的过程中,采用以误差绝对值之和最小为优化原则,针对目标函数不可微的特点,运用线性规划的方法对灰色预报模型的模型参数进行了估计。此外,将改进后的预报模型应用到卫星钟差波动较大情况下钟差的预报中,并将预报结果与传统灰色模型的预报结果进行了对比分析。结果表明：在卫星钟差波动较大的情况下,该方法相比传统灰色模型的预报结果有显著改善,为高精度的卫星钟差预报提供了一种新思路。     

一种卫星钟差异常实时监测算法

卫星钟差在精密定位中占有重要地位,应当对卫星钟差异常进行实时监测。本文在建立卫星钟差模型的基础上,提出了一种基于递推遗忘因子最小二乘算法(RFFLS)的卫星钟差异常实时监测算法,并利用IGS事后精密钟差产品,对比分析了RFFLS算法与最小二乘算法(LS)、遗忘因子最小二乘算法(FFLS)的卫星钟差预报精度、预报耗时和对卫星钟差异常的监测性能。实验结果表明,RFFLS算法计算时间仅为LS算法和FFLS算法的十分之一,且RFFLS算法钟差异常监测能力最优。该方法简便易行,应用灵活,在实时应用中具有明显优势。