融合相空间重构和深度学习的径流模拟预测

发展对数据依赖程度低、快捷实用和精准的模拟预报技术,可为资料缺乏地区径流模拟预测提供有效的解决办法。从数据驱动的角度,提出一种融合相空间重构(PSR)和长短期记忆神经网络(LSTM)的径流预测复合模型PSR-LSTM,在国内外不同气候分区的10个流域(站点)进行验证。结果表明：PSR-LSTM能够提取水文变量的多维子空间特征,并较好预测不同时间尺度的径流变化过程;相较于LSTM,PSR-LSTM预测未来1、3、5、7、9时间步长的纳什效率系数在10个流域平均提高1.49%～9.77%,均方根误差平均降低17.01%～19.72%,对训练数据量的依赖程度相比LSTM降低25%～33%。研究成果可为广大资料短缺流域水文过程模拟和预测提供参考。     

伪近邻方法在ARMA系统阶数判别中的应用

从相空间重构的角度,提出利用伪近邻方法判别ＡＲＭＡ 系统的总阶数。该方法可在数据量较小和阈值固定的情况下判别ＡＲＭＡ 系统总阶数。数值计算表明,使用该方法判别线性ＡＲＭＡ系统总阶数,取得了比较满意的结果。     

引导中心的动力学方程及其在空间物理中的应用

本文导出了引导中心的四个动力学方程并推广到相对论形式,讨论了这些方程之间的联系及其在空间物理中的应用。这四个方程中,引导中心相空间连续方程是基本方程,刘维定理则是核心。     

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。     

基于相空间重构的GA-SVR组合模型边坡位移预测研究

在传统支持向量回归机的基础上,考虑观测数据的混沌特性,通过对训练样本的相空间重构,并结合遗传算法在寻参上的优势,建立边坡变形的相空间重构GA-SVR组合模型。通过组合模型对某矿山边坡位移预测值与实测值进行对比分析,发现组合模型在预测精度上更具优势。     

短期气候预测及其有关非线性动力学的进展

短期气候预测及其有关非线性动力学的进展丑纪范（中科院院士，北京气象学院教授）气候问题最近非常热门，最重要的变化我理解是观念的转变。气候概念本身，八十年代以来有很大的变化。原来的气候是静态的概念，一个地方的气候是指一个地方多少年平均的状况，地球上可以分...     

非线性时间序列分析的最新进展及其在地球科学中的应用前景

评述了非线性时间序列分析的最新进展,包括相空间重构、序列性质的鉴别、建模与预报,同时介绍了非线性时间序列分析在地球科学中的应用概况。     

斜坡蠕滑预报的相空间理论

基于数据处理的组合方法（ＧＭＤＨ），由时间序列重构相空间，对相点进行数据组合处理，建立了斜坡蠕滑预报模型。实例分析表明，该模型具有较高地预报精度。     

气候诊断分析中的相空间EOF方法

将相空间技术和EOF展开相结合，提出了相空间自然正交展开新方法，并由此分析了四川降水、温度变化的层次结构、突变特征和相互关系．     

利用一维时间序列重建动力系统的进一步研究

对月平均气温一维时间序列作相空间拓展，并根据系统的分维数设定重建的动力系统，且在具有二次非线性项的假定下，利用最小二乘法求解相空间状态演化方程中的各项系数，以重建动力系统。结果表明：随相空间维数的增加，重建的动力系统对气候演化过程可作出更精确、细致的描述。