發(fā)布時(shí)間：2023-03-14 21:11

　　針對衛(wèi)星遙測數(shù)據(jù)變化類型眾多而導(dǎo)致傳統(tǒng)預(yù)測模型難以準(zhǔn)確預(yù)測的問題,提出一種基于自適應(yīng)噪聲完整集成經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMDAN)-粒子群(PSO)-極限學(xué)習(xí)機(jī)(ELM)的組合預(yù)測模型。首先對遙測序列進(jìn)行CEEMDAN分解,以降低序列的非線性;然后利用PSO對ELM預(yù)測模型的輸入權(quán)值和隱含層偏差進(jìn)行優(yōu)化;最后利用PSO-ELM預(yù)測模型分別預(yù)測分解后的序列,依次相加得到最終預(yù)測結(jié)果。將其應(yīng)用在某在軌衛(wèi)星實(shí)測數(shù)據(jù)中,與傳統(tǒng)的預(yù)測模型比較。結(jié)果表明:該方法在平均絕對誤差、平均絕對百分誤差、均方根誤差、標(biāo)準(zhǔn)均方誤差指標(biāo)上均最小,在曲線拐點(diǎn)處與真實(shí)數(shù)據(jù)最為接近。證明該模型能實(shí)現(xiàn)準(zhǔn)確預(yù)測的功能。

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引言
1 CEEMDAN方法
2 粒子群優(yōu)化ELM算法
    2.1 極限學(xué)習(xí)機(jī)相關(guān)概念
    2.2 粒子群優(yōu)化極限學(xué)習(xí)機(jī)
3 CEEMDAN?PSO?ELM預(yù)測模型搭建
    3.1 遙測序列預(yù)處理
    3.2 模型搭建
    3.3 評價(jià)指標(biāo)
4 基于CEEMDAN?PSO?ELM的衛(wèi)星遙測預(yù)測模型實(shí)驗(yàn)與分析
    4.1 電池電壓預(yù)測結(jié)果與分析
        4.1.1 長光照期預(yù)測結(jié)果與分析
        4.1.2 陰影期預(yù)測結(jié)果與分析
5 結(jié)束語



本文編號：3762759