【摘要】：隨著人們對大自然的深入研究,越來越多的時(shí)間序列被認(rèn)為具有混沌特性,如降水量、溫度以及太陽黑子數(shù)等。分析時(shí)間序列的混沌特性并對其進(jìn)行預(yù)測,可以識(shí)別事物的本質(zhì),發(fā)掘事物隱含的規(guī)律,對人類社會(huì)的進(jìn)步產(chǎn)生了深遠(yuǎn)的影響。變分模態(tài)分解(Variational Mode Decomposition,VMD)是一種新型的自適應(yīng)信號分解方法,廣泛用于混沌信號處理。本文通過采用VMD、BP神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)、智能優(yōu)化算法等,以降水量、溫度以及太陽黑子月均值為研究對象,探究組合預(yù)測模型在混沌時(shí)間序列預(yù)測中的優(yōu)勢。主要工作有:(1)利用混沌理論對降水量、溫度以及太陽黑子數(shù)時(shí)間序列進(jìn)行混沌特性分析,計(jì)算相空間重構(gòu)參數(shù)、最大Lyapunov指數(shù)和Kolmogorov熵。實(shí)驗(yàn)結(jié)果表明,這三類氣象時(shí)間序列都具有混沌特性,可以進(jìn)行短期混沌時(shí)間序列預(yù)測。(2)提出一種基于變分模態(tài)分解與極限學(xué)習(xí)機(jī)相結(jié)合的月降水量混沌時(shí)間序預(yù)測模型。VMD能夠有效抑制模態(tài)混疊現(xiàn)象,極限學(xué)習(xí)機(jī)訓(xùn)練速度快,設(shè)置參數(shù)簡單。實(shí)驗(yàn)結(jié)果表明,與其他多種模型進(jìn)行比較,該模型能夠很好的預(yù)測出降水量趨勢,提高了預(yù)測精度。(3)提出一種基于變分模態(tài)分解與改進(jìn)極限學(xué)習(xí)機(jī)相結(jié)合的溫度月均值混沌時(shí)間序預(yù)測模型。利用粒子群優(yōu)化算法選擇極限學(xué)習(xí)機(jī)的最優(yōu)權(quán)值,提高網(wǎng)絡(luò)預(yù)測性能。實(shí)驗(yàn)結(jié)果表明,改進(jìn)后的模型能夠有效的預(yù)測出溫度,進(jìn)一步提高預(yù)測精度。(4)提出一種基于螢火蟲算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)與變分模態(tài)分解相結(jié)合的太陽黑子月均值組合預(yù)測模型。利用螢火蟲優(yōu)化算法,快速尋找到BP神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)權(quán)值,有效提高了模型的預(yù)測性能。實(shí)驗(yàn)結(jié)果表明,與沒有優(yōu)化過的神經(jīng)網(wǎng)絡(luò)相比,該預(yù)測模型在預(yù)測精度上有一定的提升,預(yù)測效果較好。
【圖文】：

圖 3.1 典型的單隱層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不同的隨機(jī)樣本，其中第 i 個(gè)表示為 iix , t， iix x,1 TN R，則激活函數(shù)為 gxgxgxgxl,,,12 的 βgwxbyjNiijijlii,1,2,3,,1 Tiiinw,w,,w12 為第 i 個(gè)輸入層和隱含層之間的 Tim 為第 i 個(gè)隱含層與輸出層神經(jīng)元間的連接權(quán)向量偏置量，jy為輸出層神經(jīng)元節(jié)點(diǎn)處輸出值。不斷進(jìn)行學(xué)習(xí)訓(xùn)練以達(dá)到輸出誤差最小的目的，，可01 Njjjy tiw和ib 滿足以下關(guān)系： βgwxbtjNijijlii,1,2,3,,

種因素的影響導(dǎo)致降水量時(shí)間序列具有復(fù)雜的特性分析，說明月降水量屬于混沌時(shí)間序列，具采用單一的預(yù)測模型建模較為困難，因此本預(yù)測模型來改善月降水量時(shí)間序列預(yù)測的精度MF 分量，為一組互不影響、較平穩(wěn)的數(shù)組。然 分別建立 ELM 模型進(jìn)行網(wǎng)絡(luò)的訓(xùn)練與預(yù)測。最終預(yù)測結(jié)果。VMD-ELM 預(yù)測模型的結(jié)構(gòu)框圖始數(shù)據(jù)，分析數(shù)據(jù)的頻域特性并確定K 的取值 IMF 分量；進(jìn)行歸一化處理，分別對每個(gè) IMF 分量建立 ELM 模型各網(wǎng)絡(luò)層數(shù)；量進(jìn)行 ELM 模型預(yù)測，將其預(yù)測結(jié)果相加即為
【學(xué)位授予單位】：西安郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP183;O415.5;P182.41;P426.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王述仲;;基于快速本征模態(tài)分解的電力系統(tǒng)短期負(fù)荷預(yù)測[J];中國電機(jī)工程學(xué)報(bào);2013年S1期

2 周柏彤;劉增力;朱健晨;;關(guān)于多種模態(tài)分解方法的分離效果的差別探討[J];信息技術(shù);2016年12期

3 溫志平;方江雄;劉軍;辛秋生;鄒意;葛圓圓;;基于模態(tài)分解技術(shù)的地震信號隨機(jī)噪聲壓制方法研究[J];科技廣場;2017年08期

4 秦文瑾;許敏;孔令遜;葛鵬輝;;動(dòng)態(tài)模態(tài)分解方法在缸內(nèi)湍流場研究中的應(yīng)用[J];內(nèi)燃機(jī)學(xué)報(bào);2016年04期

5 續(xù)秀忠;張志誼;;基于時(shí)頻濾波的時(shí)變模態(tài)分解方法[J];噪聲與振動(dòng)控制;2005年05期

6 李沁雪;張清華;崔得龍;舒磊;黃劍鋒;;變分框架下多尺度熵相關(guān)優(yōu)化的模態(tài)分解在故障診斷中的應(yīng)用[J];現(xiàn)代制造工程;2017年04期

7 何鳴,劉光斌,梁樹輝;一種基于模態(tài)分解的時(shí)頻分析方法[J];現(xiàn)代電子技術(shù);2003年18期

8 李加福;唐文彥;張曉琳;王軍;;殼段厚度激光檢測信號的變分模態(tài)分解去噪[J];光學(xué)精密工程;2017年08期

9 鄭近德;潘海洋;程軍圣;;非平穩(wěn)信號分析的廣義解析模態(tài)分解方法[J];電子學(xué)報(bào);2016年06期

10 段家銀;段天友;劉豪;蔣騰飛;金興學(xué);;變模態(tài)分解在微地震信號去噪中的應(yīng)用[J];石化技術(shù);2015年07期

相關(guān)會(huì)議論文 前10條

1 李鵬;章新華;付留芳;曾祥旭;;一種基于模態(tài)分解的目標(biāo)深度估計(jì)方法[A];2016年全國聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2016年

2 裴利軍;邱本花;;模態(tài)分解法在非恒同耦合系統(tǒng)同步研究中的推廣[A];第十二屆全國非線性振動(dòng)暨第九屆全國非線性動(dòng)力學(xué)和運(yùn)動(dòng)穩(wěn)定性學(xué)術(shù)會(huì)議論文集[C];2009年

3 屈晶晶;;解析模態(tài)分解在高速列車設(shè)備故障診斷中的應(yīng)用[A];第十屆動(dòng)力學(xué)與控制學(xué)術(shù)會(huì)議摘要集[C];2016年

4 何元;曹思遠(yuǎn);崔震;荊雙偉;郭琪;;變分模態(tài)分解及其在地震去噪中的應(yīng)用[A];2014年中國地球科學(xué)聯(lián)合學(xué)術(shù)年會(huì)——專題18：油藏地球物理論文集[C];2014年

5 李鵬;章新華;李蘭瑞;張聞龍;;基于水平陣列的模態(tài)分解方法[A];2018年全國聲學(xué)大會(huì)論文集 C水聲工程和水聲信號處理[C];2018年

6 平煥;包艷;周岱;韓兆龍;;基于動(dòng)力學(xué)模態(tài)分解的三維圓柱受迫振動(dòng)研究[A];2019年全國工業(yè)流體力學(xué)會(huì)議摘要集[C];2019年

7 潘

本文編號：2656177