ＢＰ神经网络和 ＡＲＩＭＡ模型的变权组合电离层 ＴＥＣ预报

针对电离层总电子含量（ＴＥＣ）非线性、非平稳性的特性,提出基于 ＢＰ神经网络和差分自回归移动 平均模型（ＡＲＩＭＡ）的最优非负变权组合预报模型,并将其应用于 ＴＥＣ预报。利用 ＩＧＳ中心提供的不同经纬 度的电离层平静期、活跃期 ＴＥＣ数据,分别采用 ＢＰ神经网络模型、ＡＲＩＭＡ模型和变权组合模型对 ＴＥＣ进 行 ５ｄ预报。实验结果表明：在电离层平静期和活跃期变权组合模型预报 ５ｄ的平均相对精度分别为 ９４.７％ 和 ８８.９％,其中预报残差小于 ３ＴＥＣｕ的分别达到 ８９.３％和 ７８.５％,较单一模型的预报精度有明显提高。     

基于小波-ARIMA电离层短期总电子含量预报

针对电离层总电子含量(TEC)非线性、非平稳的特性,将小波分析(Wavelet Analysis)引入到自回归移动平均模型(ARIMA)中对TEC值进行预报。采用2010—2013年IGS中心提供的不同经纬度活跃期、平静期前10天电离层TEC观测数据,分别使用WARIMA和ARIMA建模预报后5天TEC值。对两种模型预报结果与IGS中心观测数据进行对比并统计预报精度,结果表明引入小波分析的ARIMA模型对TEC值预报精度的提高有良好作用。最后单独采用WARIMA模型预报50天TEC值,通过对50天TEC预报值相对精度的统计,说明WARIMA模型对TEC值中长期的预报具有可行性。     

Holt-Winters与ARIMA模型在电离层总电子含量预报中的比较

利用IGS中心发布的15天TEC数据作为样本,采用Holt-Winters加法、Holt-Winters乘法和ARIMA模型分别进行5天的TEC值预报。分析了太阳活动、纬度、预报时长对3种模型预报精度的影响。实验结果表明,3种模型的预报精度会随着纬度的降低、预报时长的增加而呈下降趋势;电离层活动平静期的预报精度要优于活动活跃期。在平静期,3种模型在高纬度地区的预报效果大致相同;在中、低纬度地区加法模型的预报效果要优于另外两种模型。在活跃期,3种模型在高纬度地区的预报效果大致相同;中纬度地区乘法模型和ARIMA模型预报效果要优于加法模型;在低纬度地区,加法模型和乘法模型的预报效果要优于ARIMA模型。加法模型精确预报时长可以达到5天左右,而乘法模型和ARIMA模型只能达到3天左右。     

基于陆基GNSS的电离层时间序列预报研究

为讨论不同时间序列模型对电离层垂直总电子含量(VTEC)的预报效果,在平静电离层条件下,采用载波相位平滑伪距法解算单站上空的电离层VTEC值,分别利用自回归积分滑动平均模型(ARIMA)与Holt-Winters指数平滑模型进行逐站建模,通过时长为9 d的样本序列实现3 d预报,并对预报值进行系统评估.结果表明,时间序...     

Ｈｏｌｔ-Ｗｉｎｔｅｒｓ与 ＡＲＩＭＡ模型在电离层总电子含量预报中的比较

利用 ＩＧＳ中心发布的 １５天 ＴＥＣ数据作为样本,采用 Ｈｏｌｔ Ｗｉｎｔｅｒｓ加法、Ｈｏｌｔ- Ｗｉｎｔｅｒｓ乘法和 ＡＲＩ- ＭＡ模型分别进行 ５天的 ＴＥＣ值预报。分析了太阳活动、纬度、预报时长对 ３种模型预报精度的影响。实 验结果表明,３种模型的预报精度会随着纬度的降低、预报时长的增加而呈下降趋势;电离层活动平静期 的预报精度要优于活动活跃期。在平静期,３种模型在高纬度地区的预报效果大致相同;在中、低纬度地 区加法模型的预报效果要优于另外两种模型。在活跃期,３种模型在高纬度地区的预报效果大致相同;中 纬度地区乘法模型和 ＡＲＩＭＡ模型预报效果要优于加法模型;在低纬度地区,加法模型和乘法模型的预报效果要优于 ＡＲＩＭＡ模型。加法模型精确预报时长可以达到 ５天左右,而乘法模型和 ＡＲＩＭＡ模型只能达到３天左右。     

集合神经网络的洪水预报

针对防洪减灾的问题,通过将集合预报概念应用于人工神经网络,综合考虑样本和参数等因素的影响,构建集合神经网络模型,以降低单一神经网络模型的不确定性.针对初始值扰动和样本重采样两方面分别产生集合成员,由简单平均和贝叶斯模型加权平均整合预报输出,构建龙泉溪流域预见期为1~3h的集合洪水预报.结果表明,相对于单一神经网络,集合神经网络模型有效地提高预测的精度.从均方根误差上看,集合神经网络模型性能比单一神经网络模型提升了15%~35%.在众多集合策略中,以初始值扰动和简单平均操作最简单,模型预报输出有16%~32%的提升,重采样和贝叶斯模型加权平均的组合效果使预报精度改进了22%~35%.     

基于ARIMA 误差修正预测的Klobuchar 模型精化

为了提高目前传统Klobuchar 模型电离层延迟改正精度仅有50%~60%的修正率的现状, 提出一种基于ARIMA 误差修正预测的精化方法。 采用IGS 中心提供的电离层观测数据, 利用双频改正模型解算的电离层VTEC 值作为参考值, 使用ARIMA 模型对每个历元前8 天Klobuchar 模型和参考值之间的偏差值进行2 天的短期预测, 对Klobuchar 模型加以偏差预测改正数进行改进。 采用算例将参考值检验改进的A-Klobuchar模型的预报精度与Klobuchar 模型的预报精度进行对比, 结果表明: 改进后的A-Klobuchar 模型的精度明显高于Klobuchar 模型, 其总体预报精度达到了77. 17%, 能更显著地反映出电离层的周日变化特性。     

短期电力负荷组合预测方法研究

为了解决短期电力负荷不同预测方法的预测角度片面性、预测精度差等问题,提出了基于小波神经网络(WNN)的组合预测模型.首先用小波神经网络预测模型和历史平均模型分别进行预测,然后再通过小波神经网络对两单一模型的预测值进行组合.相比BP神经网络组合模型,该组合预测模型的预测精度大大提高.该模型同时引入模糊聚类分析的方法选取组合模型的训练样本,减少了训练样本的冗余性,提高了预测模型的精度.     

神经网络模型在怀洪新河洪水预报中的应用

建立了基于神经网络的洪水预报模型.该模型根据历史洪水样本,将河道预测点上游参考点的水位、流量以及预测点的水位作为神经网络的输入,预测点的流量作为神经网络的输出.采用BP算法训练网络,并将训练成功的洪水预报神经网络模型分别按8,16,24 h等预见期对新胡洼闸、西坝口闸水位进行预报,取得了较高的预报精度,验证了模型的有效性.     

基于小波神经网络的畸形波预报

为对畸形波这类突发性事件进行较为准确的预报,避免畸形波对海上建筑物和人员安全产生的巨大危害.采用紧致型小波神经网络模型,根据某岛礁地形实测数据建立的岛礁三维模型中测得的波高试验数据,选取试验数据中3种典型波高时间序列分别实现了包含畸形波的波浪数据对常规波浪的预报、包含近似畸形波的波浪数据对畸形波的预报以及常规波浪对包含畸形波的波浪数据的预报.为验证小波神经网络模型精度,同时采用常规神经网络BP模型在相同条件下对3种典型波高时间序列进行预报,最后将两种神经网络预报结果精度进行对比.研究结果表明:小波神经网络能较好的捕捉畸形波突发事件,对于3种工况中的波面整体预报精度以及畸形波处的预报精度,小波神经网络预报模型均高于BP神经网络预报模型,预报的波高曲线也与实际波高曲线拟合效果更好.在神经网络训练样本中若存在畸形波特征,也将进一步提高对未来畸形波的预报精度.该项研究对船舶或海洋工程的畸形波风险预警具有一定的应用价值.     

融合BP神经网络与ARIMA的短时交通流预测

为了能在交通管理中提前采取措施规避可能存在的交通拥挤或堵塞,提出了一种高效可靠的短时交通流预测算法.首先采用BP神经网络与自回归求和滑动平均(ARIMA)两种方法分别建立单项预测子模型,再以BP神经网络作为最优非线性组合模型的逼近器,建立组合预测模型,对单项预测子模型的预测值进行融合,由此得到最终的预测结果.通过MATLAB与SPSS平台对实测交通流量数据进行了仿真分析,结果表明,该种组合预测方法是切实可行的.     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.     

陕西省北斗三号区域电离层TEC建模与精度评估

基于陕西省北斗地基增强监测站数据,利用4阶球谐函数建立了陕西区域电离层总电子含量(TEC)模型,生成区域TEC格网产品.实验结果表明:以欧洲定轨中心(CODE)全球电离层图(GIM)产品作为参考,利用BDS-3数据获得的陕西区域北斗电离层产品精度为2.54TECu,与CODE产品标称精度相当.在单频精密单点定位(SF-PPP)性能方面,BDS-3区域电离层产品可以提升定位精度35%,优于CODE全球电离层产品改正效果(27%).综合而言,BDS-3单系统在区域电离层建模方面具备较为优异的性能水平.     

国际参考电离层模型的研究与探讨

国际参考电离层模型（ＩＲＩ）是根据大量的地面观测资料和多年累积的电离层研究成果建立起来的,是目前国际应用最广的经验电离层模型,以统计预报的模式反映了平静电离层的平均状态,能够较好地给出全球电离层的相关参数。本文论述了ＩＲＩ的组织机构,并对ＩＲＩ的发展历程和各个版本的新功能进行了总结,对ＩＲＩ预报的主要电离层参数进行了研究,用实例指出ＩＲＩ存在的主要问题和未来的主要发展方向,为扩大ＩＲＩ应用范围和提高ＩＲＩ预报参数的精度提供了基础。     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法（PSO）,对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明：组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

基于神经网络的襟翼舵升力系数预报

将BP神经网络应用于襟翼舵升力系数预报,分析了BP神经网络的非线性逼近能力.针对BP神经网络在训练中存在的学习速度慢、易于陷入局部最小等缺点,采用变学习率的BP算法加以改进.对襟翼舵升力系数进行预报,结果表明预报值的精度明显高于由近似公式计算所得的值,采用BP神经网络对襟翼舵水动力性能进行预报是可行的,能够满足工程应用的要求.     

旋转机组烈度趋势预测技术研究

组合预报在时序预测中应用广泛,而传统线性、非线性组合预报模型对各单项预测方法权系数的计算过于繁锁,并且多为定权系数,现有的神经网络组合预报模型又存在着对不同预测方法的特点强调又足的缺陷,针对以上两点,提出了一种新的神经网络架构--变权重神经网络架构,这种新型神经网络架构利用了神经网络的非线性映射能力,避免了求解组合权系数的繁琐过程,又克服了对不同预测方法的适用性强调不足的缺陷。作为验证,给出模型在大型旋转机组烈度趋势预测中的应用实例。     

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt （LM）算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.     

BP神经网络的改进算法及在大坝变形分析与预报中的应用

针对传统的BP算法收敛速度慢、精度较低的缺陷,本文以西津大坝26#点的50期观测数据为例,选择了4个变形因子,进行了改进的BP神经网络在大坝变形分析与预报中的应用与研究.在此基础上,比较了改进的BP神经网络与传统的BP神经网络的预报效果.结果表明:改进的BP神经网络无论在学习算法的收敛速度,还是在预报精度上,都得到了大幅度的提高,且有一定的推广意义.