本文選題：集合經(jīng)驗?zāi)B(tài)分解 + 互補集合經(jīng)驗?zāi)B(tài)分解��； 參考：《氣候與環(huán)境研究》2017年05期

【摘要】：海洋表面溫度(Sea Surface Temperature,SST)具有非平穩(wěn)、非線性的特征,直接將處理平穩(wěn)數(shù)據(jù)序列的方法應(yīng)用到非平穩(wěn)非線性特征明顯的序列上顯然是不合適的,預(yù)測的誤差將會很大。為了提高預(yù)測精度,更好地解決非平穩(wěn)非線性序列預(yù)測的問題,本文以東北部太平洋(40°N~50°N、150°W~135°W)區(qū)域的月平均海洋表面距平溫度為例,首先分別應(yīng)用集合經(jīng)驗?zāi)B(tài)分解(EEMD)和互補集合經(jīng)驗?zāi)B(tài)分解(CEEMD)方法將SST分解為不同尺度的一系列模態(tài)分量(IMF),再運用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)模型對每一個模態(tài)分量進(jìn)行分析預(yù)測,最后將各IMF預(yù)測結(jié)果進(jìn)行重構(gòu)得到SST的預(yù)測值。數(shù)值試驗的結(jié)果表明,CEEMD分解精度比EEMD分解精度高,CEEMD提高了基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度。系列試驗統(tǒng)計分析說明應(yīng)用這種方法對SST的1年預(yù)測是有效的。
[Abstract]:The sea surface temperature (Surface) has the characteristics of nonstationary and nonlinear. It is obviously inappropriate to apply the method of dealing with stationary data series to the sequence with obvious nonstationary nonlinear characteristics, and the prediction error will be very large. In order to improve the prediction accuracy and solve the problem of nonstationary nonlinear series prediction, this paper takes the monthly mean ocean surface anomaly temperature in the northeast Pacific Ocean as an example. Firstly, the SST is decomposed into a series of modal components of different scales by using the methods of set empirical mode decomposition (EEMD) and complementary set empirical mode decomposition (CEEMD), respectively. Then the BP(Back propagation neural network model is used to analyze and predict each modal component. Finally, the IMF prediction results are reconstructed to get the SST prediction value. The results of numerical experiments show that the accuracy of CEEMD decomposition is higher than that of EEMD decomposition, and the prediction accuracy based on BP neural network is improved. The statistical analysis of series experiments shows that this method is effective for 1 year prediction of SST.
【作者單位】： 中國人民解放軍理工大學(xué)理學(xué)院;
【基金】：國家自然科學(xué)基金項目91530204、41430426~~
【分類號】：P731.31

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊建強,羅先香,丁德文,秦潔;赤潮預(yù)測的人工神經(jīng)網(wǎng)絡(luò)方法初步研究[J];海洋科學(xué)進(jìn)展;2003年03期

2 孟雷;何宜軍;伍玉梅;;一種改進(jìn)海面風(fēng)速反演的分類神經(jīng)網(wǎng)絡(luò)方法[J];海洋與湖沼;2009年02期

3 唐秋華;劉保華;陳永奇;周興華;丁繼勝;;結(jié)合遺傳算法的LVQ神經(jīng)網(wǎng)絡(luò)在聲學(xué)底質(zhì)分類中的應(yīng)用[J];地球物理學(xué)報;2007年01期

4 崔明;馬國建;;神經(jīng)網(wǎng)絡(luò)在渤海灣富營養(yǎng)化模型中的研究[J];山西建筑;2011年15期

5 國鋒;;基于廣義回歸神經(jīng)網(wǎng)絡(luò)的赤潮預(yù)警[J];信息化縱橫;2009年18期

6 李承,余建星;模糊神經(jīng)網(wǎng)絡(luò)在近海機動卸載平臺風(fēng)險分析中的應(yīng)用[J];山東科技大學(xué)學(xué)報(自然科學(xué)版);2003年04期

7 李慧;顧沈明;;基于RBF神經(jīng)網(wǎng)絡(luò)的赤潮預(yù)測方法[J];計算機工程與應(yīng)用;2012年01期

8 趙昕;李丹;;基于BP神經(jīng)網(wǎng)絡(luò)的渤海污染預(yù)測——以萊州灣為例[J];生態(tài)經(jīng)濟;2009年07期

9 于小龍;潘偉然;張國榮;崔文惠;林毅輝;駱智斌;;GA-BP神經(jīng)網(wǎng)絡(luò)在羅源灣口波浪模擬研究中的應(yīng)用[J];臺灣海峽;2012年02期

10 曹興鋒;;一種BP神經(jīng)網(wǎng)絡(luò)氣象預(yù)測中的應(yīng)用研究[J];科技通報;2012年08期

相關(guān)會議論文 前4條

1 杜立彬;任國興;張穎穎;劉巖;;基于神經(jīng)網(wǎng)絡(luò)的海流剖面數(shù)據(jù)修正算法[A];2008’“先進(jìn)集成技術(shù)”院士論壇暨第二屆儀表、自動化與先進(jìn)集成技術(shù)大會論文集[C];2008年

2 孟雷;;基于SSM/I數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)方法反演海面風(fēng)速[A];中國氣象學(xué)會2006年年會“衛(wèi)星遙感技術(shù)進(jìn)展及應(yīng)用”分會場論文集[C];2006年

3 張新兵;陳東敬;王家林;于鵬;;帶模擬退火的擬BP神經(jīng)網(wǎng)絡(luò)在西亞某地區(qū)重力資料反演中的應(yīng)用[A];中國地球物理第二十一屆年會論文集[C];2005年

4 孟雷;何宜軍;伍玉梅;陳錦年;;神經(jīng)網(wǎng)絡(luò)方法SSM/I數(shù)據(jù)反演海面參數(shù)[A];中國氣象學(xué)會2007年年會氣象綜合探測技術(shù)分會場論文集[C];2007年

相關(guān)碩士學(xué)位論文 前2條

1 馬國建;混沌優(yōu)化神經(jīng)網(wǎng)絡(luò)在渤海灣富營養(yǎng)化模型中的應(yīng)用研究[D];天津大學(xué);2009年

2 向先全;基于模糊理論和神經(jīng)網(wǎng)絡(luò)方法的渤海灣富營養(yǎng)化模型研究[D];天津大學(xué);2008年

，

本文編號：1821210