相空间地震波初至时刻拾取

提出了一种新的地震波初至时刻拾取的方法,即将原始时间序列信号映射到相空间当中,通过其相空间图的特征进行初至时刻的拾取。相对于非常耗时的传统方法,本方法使得运算速度提高,结果更加精确稳定。     

古气候变化吸引子维数对比研究

对世界上不同地区的多条古气候曲线 ,采用相同的间距和同一种算法进行关联维数计算 ,结果表明各系统均具有非线性作用产生的混沌现象。与太阳辐射曲线关联维数对比表明 ,太阳辐射控制了气候变化的基本格局 ,在此基础上叠加了区域性特征。     

基于Lyapunov指数与神经网络融合的预测模型研究

提出一种基于最大Lyapunov指数法和神经网络融合的预测模型,该模型(Lya-BP)吸取了最大Lyapunov指数预测的优点,同时能够改善对于数据样本不够大时,最大Lyapunov指数预测精度不高的缺点.实例研究表明,Lya-BP模型大大提高了小数据量下Lyapunov指数法预测的精度,与单一的Lyapunov指数预测相比,更具可靠性,应用更为广泛,具有较大的实用价值.     

相空间中划分大尺度异常雨型的进一步研究

使用1962~2001年的逐日台站降水资料,考察中国夏季大尺度低频降水的时空特征。对于20d以上的低频尺度降水异常,在前8个主要EOF模态支撑的相空间中,采用聚类分析方法划分了6种大尺度异常雨型:东北型、黄河型、秦岭淮河型、长江江南型、华南型和少雨型。分析表明,这些雨型的物理意义明确,具有较好的持续性,优于使用2维概率密度函数的划分结果,从而说明相空间中的聚类分型是整体性和区域性兼顾的划分方式,同时也证实了多维相空间的不均匀性。统计结果显示,新雨型在季节内交替出现,能够反映出大尺度异常降水的低频演变特征,并且具有不同于季风雨带变化的特点。通过分析新雨型在历史上的分布情况,并与以往分型相比较,进一步反映出新雨型划分的客观性和合理性。     

基于三维相空间法和稳健估算法的ADV流速数据后置处理效果研究

水流是影响藤壶、牡蛎、藻类等水生生物能否成功附着在渔业装备上的重要环境因素,水体流速的变化会改变藻类新陈代谢过程,制约藤壶与牡蛎幼虫大面积扩散。流速测量数据的准确性对研究渔业装备上附着生物的附着机制起到至关重要的作用。声学多普勒流速仪(ADV)是测量水体流速的重要设备。然而,水体中的气泡、大颗粒悬浮物等因素会影响ADV的相关系数和信噪比,从而导致流速数据中产生野点,降低了数据的准确性。本文基于国内外主流算法稳健估算法与三维相空间法,以ADV实际测量的流速数据为例,对比研究两种后置处理方法的检测效果。结果显示,稳健估算法平均检出率为4.95%,峰度系数平均下降77.71%,三维相空间法平均检出率为14.60%,峰度系数平均下降84.05%。综合分析,三维相空间法处理效果较好,其检测准确性高于稳健估算法,但存在过处理现象。建议在处理野点含量低于5%的数据时选用相空间法,而对于野点偏离样本平均值较远的数据时,可以选用稳健估算法。本文对减小流速数据误差,为准确定量研究水流对渔业装备附着生物的附着量与种类影响有着重要的意义。     

基于相空间重构的FOA-GLSSVM深基坑变形预测模型研究

针对LSSVM模型参数选择的随机性与单一变量序列高维度重构参数选择的困难性,将相空间重构理论、果蝇优化算法引入LSSVM模型中,建立基于相空间重构的FOA-GLSSVM变形预测模型。为了验证提出模型的有效性与可靠性,结合具体工程实例与GLSSVM、支持向量机模型及最小二乘支持向量机模型进行对比研究。结果表明,提出的模型精度更好、稳定性更强。     

基坑变形混沌特征识别与非线性预测模型研究

混沌理论特征识别是进行混沌时间序列分析和预测的前提。普通的线性数学算法已经无解决基坑变形所遇到的问题,为了研究基坑变形监测数据的非线性复杂问题,采用混沌非线性理论方法,首先求取基坑变形时间序列的延迟时间和嵌入维数,其次对基坑监测数据进行相空间重构,最后对比分析加权一阶局域预测模型以及RBF神经网络混沌预测模型的预测结果,实验表明RBF神经网络混沌预测模型预测精度最高,同时也说明了混沌预测模型更适合短期预测。最终证明了RBF神经网络混沌预测模型应用在基坑变形监测中的可行性与有效性。     

基于相空间重构与支持向量机预测滑坡位移的一种新方法

提出了一种基于相空间重构与支持向量机预测滑坡位移的新方法.首先,以滑坡位移时间序列的混沌特性为基础,对其应用互信息法计算最优时间延迟;然后,利用小波变换对滑坡位移序列数据进行频域分解,应用Cao氏方法对分解后的每个分量序列分别计算其最佳嵌入维数,在此基础上,对各个分量序列进行相空间重构,利用支持向量机对每个分量单独进行建模预测;最后,将各分量预测结果进行小波重构,得到最终预测结果.实例证明,该方法可以在滑坡位移预测中获得有效的应用.     

基于神经网络的混沌时间序列预测

为了提高了RBF神经网络对于混沌时间序列的预测性能,从相空间重构理论出发,建立RBF神经网络,并且改变RBF神经网络训练参数及训练样本数,以Logistic及Lorenz混沌时间序列进行预测仿真,取得了不错的预测效果。     

基于相空间重构和高斯过程回归的对流层延迟预测

天顶对流层延迟(zenith tropospheric delay,ZTD)是影响GPS定位精度的关键因素,为了提高ZTD的预测精度,提出一种基于相空间重构的高斯过程回归预测模型.针对ZTD时间序列的混沌特性,利用国际GNSS服务(International GNSS Service,IGS)站提供的ZTD数据,采用C...