共查询到20条相似文献,搜索用时 78 毫秒
1.
2.
3.
4.
经验模态分解是目前分解非线性非平稳信号的有效方法,但其在应用时存在容易导致信号分解失真的端点效应问题。通过对现有的压制方法所存在的不足进行改进,提出了基于灰度预测的变长度经验模态分解方法,在端点处向外对称延拓一部分原始信号使其变成新的信号,进而利用基于灰度预测的经验模态分解方法计算固有模态函数。每得到一个固有模态函数之后,在两端切掉一定长度的序列,即预测不准确序列,从而避免因该序列被代入下一个固有模态函数的求解而导致中间信号被污染;随后利用正弦叠加信号和非线性非平稳信号等仿真数据进行分解实验。实验结果表明:无论是正弦叠加信号还是非线性非平稳信号,基于灰度预测的变长度经验模态分解方法的计算结果误差均小于常规经验模态分解和基于灰度预测的经验模态分解方法,同时对端点处相位信息的处理也更准确。 相似文献
5.
为提高非线性和非平稳海水温度时间序列的预测能力,提出了一种基于经验模态分解(Empirical Mode Decomposition.简称EMD)的BP神经网络预测方法.该方法首先对原始序列进行经验模态分解,将其分解为多个平稳性得到很大改善的本征模态函数(Intrinsic Mode Function,简称IMF)之和,然后时每个本征模态函数进行预测,最后再根据EMD方法的完备性把预测结果相加得出原始序列的预测结果.预测试验结果表明.基于EMD的BP神经网络预测的精度比单纯用BP神经网络预测有很大提高. 相似文献
6.
7.
8.
面对近年海图测量逐渐由近海向外延伸的发展现状,其对水位改正的要求越来越高,水位改正是海图测量中的一个尤为重要的技术环节,对保证测量精度起着极其重要作用。实际测量作业中,在一些潮汐性质变化复杂的海域,采用传统水位改正方法面临设站数量多、难度大、易丢失、精度难保证等难点。针对测区潮波分布的复杂性与特殊性,基于POM模式,采用"混合"同化法同化由T/P卫星测高数据反演的沿迹潮汐参数构建了高分辨率高精度的潮汐模型,利用余水位的空间相关性,称之为基于潮汐模型与余水位监控的水位改正法。通过海图测量实例中基于潮汐模型与余水位监控法的应用,对测量成果精度进行了分析和验证,为海图测量在水位改正方法的选择提供了技术支持,进而对保证测量精度有着重要的现实意义。 相似文献
9.
10.
11.
海平面变化包含多种不同时间尺度信息,传统的预测方法仅对海平面变化趋势项、周期项进行拟合,难以利用海平面变化的不同时间尺度信号,使得预测精度不高。本文基于深度学习的预测模型,提出一种融合小波变换(wavelet transform,WT)与LSTM (long short-term memory,LSTM)神经网络的海平面异常组合预测模型。首先利用小波分解得到反映海平面变化总体趋势的低频分量和刻画主要细节信息的高频分量;然后通过LSTM神经网络对代表不同时间尺度的各个分量预测和重构,实现海平面变化的非线性预测。基于该模型的海平面变化预测的均方根误差、平均绝对误差和相关系数分别为12.76 mm、9.94 mm和0.937,预测精度均优于LSTM和EEMD-LSTM预测模型,WT-LSTM组合模型对区域海平面变化预测具有较好的应用价值。 相似文献
12.
类型丰富、时空分辨率高的海洋探测数据,为信号分解和机器学习算法的应用提供了可能。本文针对如何建立有效的海温预测模型这一问题,使用高时空分辨率的海表温度(SST)融合产品,引入信号处理领域的集合经验模态分解(EEMD)和机器学习领域的自回归积分滑动平均模型(ARIMA)。首先利用最适于分解自然信号的EEMD方法,将海温数据分解成多个确定频率的序列;再利用ARIMA分别对各个频率的序列进行预测,最后将各个序列的预测结果进行组合。该方法在丰富数据的支撑下,比以往直接使用海温数据所建立的预测模型精度更高,为更好地进行海温预测提供了新方法。 相似文献
13.
14.
针对近海表层沉积物粒度组分空间变异的尺度差异性,提出了基于广义回归神经网络残余kriging的沉积物粒度组分空间预测方法,并以海州湾沉积物粒度数据为基础,分析了其在沉积物粒度组分空间预测和底质类型制图中的应用效果。结果表明,广义回归神经网络残余kriging方法能够获得比普通kriging方法更高的沉积物粒度组分空间预测精度,并且其底质类型的总体空间预测精度达到85%以上,相应的Kappa系数也在0.8以上,显示底质制图的预测类型与样本的实测类型具有较高的一致性。新方法对于开展定量化的沉积物粒度组分空间预测和底质类型制图具有参考价值。 相似文献
15.
为实现对海面风速精确的短期预测,提出了一种基于长短期记忆(LSTM,longshort-termmemory)神经网络的短期风速预测模型,选取OceanSITES数据库中单个浮标站点采集的风速历史数据作为模型输入,经过训练设置最佳参数等步骤,实现了以LSTM方法,对该站点所在海区海面风速在各季节性代表月份海面风速的24 h短期预测。同时通过不同预测时长的实验以及与BP(back propagation)神经网络神经网络和径向基函数神经网络(radialbasisfunctionneuralnetwork,RBF)的预测效果对比实验,证明了LSTM预测方法相比上述两种神经网络预测方法,在海表面风速预测应用中的优越性。最后通过多个海域对应的站点风速数据预测实验,证明了LSTM神经网络模型的普遍适用性,由相关系数和预测误差的分析可知该方法具备应对急剧变化数据的预测稳定性,可以作为海洋表面风速短期预测的一种可靠方法。 相似文献
16.
To explore new operational forecasting methods of waves, a forecasting model for wave heights at three stations in the Bohai Sea has been developed. This model is based on long short-term memory(LSTM) neural network with sea surface wind and wave heights as training samples. The prediction performance of the model is evaluated,and the error analysis shows that when using the same set of numerically predicted sea surface wind as input, the prediction error produced by the proposed LSTM model at S... 相似文献
17.
18.
本文首先分析造成北部湾冬季强风的天气动力学机理,在此基础上以相关分析法确定强风的预报因子(气压梯度、气温梯度、高层风速等因子)与预报量之间存在着较好的相关性;进而采用人工神经网络与主分量分析(PCA)相结合的方法建立了北部湾冬季强风的预报模型.该预报方法所构造的预报模型对历史样本风速拟合平均绝对误差为1.80m/s,对独立样本风速试报的平均绝对误差为1.46m/s.计算结果表明,该方法的拟合效果及预报稳定性较好,可在预报业务中应用. 相似文献
19.