本文關(guān)鍵詞： 經(jīng)驗(yàn)?zāi)B(tài)分解 相空間重構(gòu) 極限學(xué)習(xí)機(jī) 氣象要素預(yù)測(cè)　出處：《南昌大學(xué)》2016年碩士論文　論文類(lèi)型：學(xué)位論文

【摘要】：自古以來(lái),氣象科學(xué)的時(shí)效性和準(zhǔn)確性影響到人類(lèi)生產(chǎn)生活的方方面面,決定著社會(huì)的發(fā)展和穩(wěn)定。隨著時(shí)代的進(jìn)步,人類(lèi)對(duì)于氣象科學(xué)的需求不斷提升,但是某些方法或多或少存在著不同程度的問(wèn)題,例如模型準(zhǔn)確率不高,建模時(shí)間過(guò)久,受噪音影響太大等等,如何建立更加準(zhǔn)確,有效的預(yù)測(cè)模型,是現(xiàn)今氣象領(lǐng)域的一個(gè)重點(diǎn)科研話(huà)題。針對(duì)這一話(huà)題,本文提出了基于經(jīng)驗(yàn)?zāi)B(tài)分解技術(shù)的相空間重構(gòu)極限學(xué)習(xí)機(jī)的預(yù)測(cè)模型,對(duì)時(shí)序序列數(shù)據(jù)進(jìn)行建模,采用經(jīng)驗(yàn)?zāi)B(tài)分解技術(shù)來(lái)對(duì)數(shù)據(jù)進(jìn)行去噪,利用相空間技術(shù)進(jìn)行模式抽取,使得重構(gòu)后的數(shù)據(jù)更加適合模型的構(gòu)建,最后運(yùn)用極限學(xué)習(xí)機(jī)技術(shù)進(jìn)行建模。并且在真實(shí)的氣象數(shù)據(jù)集上對(duì)所采用的三種技術(shù)以及所建立的模型進(jìn)行性能測(cè)試,驗(yàn)證模型的有效性,對(duì)比于其他模型的,分析其優(yōu)越性。本文所做的主要內(nèi)容有以下三點(diǎn):1)針對(duì)目前氣象要素中的單要素時(shí)序序列數(shù)據(jù)的預(yù)測(cè)模型所存在的噪音問(wèn)題,以及預(yù)測(cè)模型準(zhǔn)確率不夠高的問(wèn)題,本文提出了基于經(jīng)驗(yàn)?zāi)B(tài)分解方法的相空間重構(gòu)極限學(xué)習(xí)機(jī)的預(yù)測(cè)模型的構(gòu)建。利用經(jīng)驗(yàn)?zāi)B(tài)分解技術(shù),對(duì)原始數(shù)據(jù)進(jìn)行去噪處理,降低其他不確定因素對(duì)于觀測(cè)數(shù)據(jù)的影響,為后續(xù)處理提供更加有效準(zhǔn)確的數(shù)據(jù);對(duì)于時(shí)序序列數(shù)據(jù),直接進(jìn)行模型的構(gòu)建存在一定的難度并且不容易獲得成功的模型,為了有效恢復(fù)其動(dòng)力學(xué)系統(tǒng),從而使得重構(gòu)后的數(shù)據(jù)更加適合規(guī)則的提取和模型的構(gòu)建,本文采用相空間重構(gòu)技術(shù)對(duì)氣象單要素的一維時(shí)序序列的原動(dòng)力學(xué)系統(tǒng)進(jìn)行研究與拓?fù)渲噩F(xiàn);對(duì)于重構(gòu)后的數(shù)據(jù),采用極限學(xué)習(xí)機(jī)技術(shù)進(jìn)行模型的構(gòu)建,能夠快速構(gòu)建預(yù)測(cè)模型并且能有效保證模型的泛化能力。2)通過(guò)對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解方法原理的研究,本文分析了本征模函數(shù)分量篩選算法中閾值設(shè)定所存在的不足并進(jìn)行了相應(yīng)的改進(jìn)。相對(duì)于傳統(tǒng)的方式,本文給出一個(gè)新的定義公式,實(shí)現(xiàn)對(duì)于不同的分量能夠憑借當(dāng)前本征模函數(shù)分量的相關(guān)信息,設(shè)定動(dòng)態(tài)篩選閾值,有效的選擇相關(guān)性符合的本征模函數(shù)分量進(jìn)行數(shù)據(jù)重組。動(dòng)態(tài)的閾值設(shè)定能夠更加有效的判定臨界本征模函數(shù)分量的具體歸屬問(wèn)題,改善去噪之后的數(shù)據(jù)質(zhì)量,克服了主觀性。3)在真實(shí)的氣溫要素這種一維時(shí)序序列數(shù)據(jù)上對(duì)預(yù)測(cè)模型中相關(guān)參數(shù)的選定進(jìn)行了測(cè)試分析,并對(duì)所構(gòu)建的預(yù)測(cè)模型與改進(jìn)的基于動(dòng)態(tài)篩選閾值的經(jīng)驗(yàn)?zāi)B(tài)分解方法所生成的模型(稱(chēng)為改進(jìn)后的預(yù)測(cè)模型)進(jìn)行了性能測(cè)試和結(jié)果分析,并與幾個(gè)其他模型性能的相關(guān)數(shù)據(jù)進(jìn)行了對(duì)比分析,測(cè)試結(jié)果與對(duì)比分析表明了本文所提出改進(jìn)后的預(yù)測(cè)模型具有較好的預(yù)測(cè)精度,基本能夠達(dá)到人們生產(chǎn)生活對(duì)于氣象預(yù)測(cè)的需求。最后,本文給出了目前所闡述的模型仍然存在的可改進(jìn)之處,確定了后續(xù)的研究方向。
[Abstract]:Since ancient times, the timeliness and accuracy of meteorological science have affected all aspects of human production and life, and decided the development and stability of society. But some methods have more or less different degree of problems, for example, the accuracy of the model is not high, the modeling time is too long, the noise is too big, and so on, how to establish more accurate and effective prediction model, It is a key research topic in the field of meteorology nowadays. In this paper, a prediction model of phase space reconstruction extreme learning machine based on empirical mode decomposition technology is proposed to model the time series data. The empirical mode decomposition (EMD) technique is used to de-noising the data, and the phase-space technique is used for pattern extraction, which makes the reconstructed data more suitable for the construction of the model. Finally, the model is modeled by extreme learning machine technology, and the performance of the three techniques and the established models are tested on the real meteorological data set to verify the validity of the model, compared with other models. The main contents of this paper are as follows: 1) the noise problem existing in the prediction model of the single factor time series data in the meteorological elements and the problem that the accuracy of the prediction model is not high enough. In this paper, the prediction model of phase space reconstruction limit learning machine based on empirical mode decomposition method is proposed. Using empirical mode decomposition technique, the original data is de-noised to reduce the influence of other uncertain factors on the observation data. To provide more effective and accurate data for subsequent processing, for sequential data, it is difficult to construct the model directly and it is not easy to obtain a successful model, in order to recover its dynamic system effectively. In order to make the reconstructed data more suitable for rule extraction and model construction, this paper uses phase space reconstruction technology to study and topology reconstruction of one-dimensional time series of meteorological single elements. By using extreme learning machine technology to construct the model, the prediction model can be constructed quickly and the generalization ability of the model can be ensured effectively. (2) through the research on the principle of empirical mode decomposition method, In this paper, the deficiency of threshold setting in the intrinsic mode function component selection algorithm is analyzed and the corresponding improvement is made. Compared with the traditional method, a new definition formula is given in this paper. For different components, the dynamic filtering threshold can be set by virtue of the relevant information of the current eigenmode function components. The dynamic threshold setting can effectively determine the specific attribution of critical eigenmode function components and improve the data quality after denoising. It overcomes subjectivity. 3) on the basis of the real temperature factor, which is one dimensional time series data, the selection of relevant parameters in the prediction model is tested and analyzed. The performance test and result analysis of the proposed prediction model and the improved empirical mode decomposition method based on the dynamic screening threshold (called the improved prediction model) are also carried out. The test results and comparative analysis show that the improved prediction model has a better prediction accuracy, and compared with several other model performance related data, the test results and comparative analysis show that the improved prediction model has a better prediction accuracy. It can basically meet the demand of people's production and daily life for weather forecast. Finally, this paper gives the improvement of the model which still exists at present, and determines the future research direction.
【學(xué)位授予單位】：南昌大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：P456;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊紹清,賈傳熒;兩種實(shí)用的相空間重構(gòu)方法[J];物理學(xué)報(bào);2002年11期

2 姚洪興;姜桂仁;耿霞;;相空間重構(gòu)中參數(shù)確定方法的新探討[J];江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年S1期

3 楊慶超;劉樹(shù)勇;樓京俊;位秀雷;;混沌序列相空間重構(gòu)效果評(píng)估[J];噪聲與振動(dòng)控制;2013年05期

4 劉華杰;;相空間重構(gòu)方法[J];科學(xué);1995年06期

5 謝忠玉;張立;;相空間重構(gòu)參數(shù)選擇方法的研究[J];中國(guó)科技信息;2009年16期

6 姚寶恒,楊霞菊,劉巖,佟德純,陳兆能,孟光;基于奇異譜熵的相空間重構(gòu)最佳時(shí)間延遲選擇[J];上海交通大學(xué)學(xué)報(bào);2005年01期

7 劉樹(shù)勇;朱石堅(jiān);俞翔;;相空間重構(gòu)的一種新方法研究[J];系統(tǒng)仿真學(xué)報(bào);2007年21期

8 鄒志紅;馮為;;基于相空間重構(gòu)的一階加權(quán)局域預(yù)測(cè)法在溶解氧預(yù)測(cè)中的應(yīng)用[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2008年13期

9 韓敏;魏茹;;基于相空間同步的多變量序列相關(guān)性分析及預(yù)測(cè)[J];系統(tǒng)工程與電子技術(shù);2010年11期

10 修春波,劉向東,張宇河;相空間重構(gòu)延遲時(shí)間與嵌入維數(shù)的選擇[J];北京理工大學(xué)學(xué)報(bào);2003年02期

相關(guān)會(huì)議論文 前6條

1 王一頡;韓敏;;基于優(yōu)化相空間重構(gòu)的多變量混沌時(shí)間序列預(yù)測(cè)[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

2 鄒波;;咀嚼肌表面肌電信號(hào)的相空間重構(gòu)及其參數(shù)計(jì)算[A];第九次全國(guó)口腔醫(yī)學(xué)計(jì)算機(jī)應(yīng)用學(xué)術(shù)會(huì)議論文匯編[C];2011年

3 劉芳;馬西奎;;Buck-Boost變換器電路中的混沌時(shí)序相空間重構(gòu)[A];電工理論與新技術(shù)學(xué)術(shù)年會(huì)論文集[C];2005年

4 祝用華;杜志敏;晉欣橋;;基于相空間重構(gòu)技術(shù)的ANN預(yù)測(cè)方法及在空調(diào)負(fù)荷預(yù)測(cè)中的應(yīng)用[A];上海市制冷學(xué)會(huì)2013年學(xué)術(shù)年會(huì)論文集[C];2013年

5 馬軍海;盛昭瀚;;基于非線性混沌時(shí)序的系統(tǒng)重構(gòu)、預(yù)測(cè)技術(shù)及其應(yīng)用[A];管理科學(xué)與系統(tǒng)科學(xué)研究新進(jìn)展——第6屆全國(guó)青年管理科學(xué)與系統(tǒng)科學(xué)學(xué)術(shù)會(huì)議暨中國(guó)科協(xié)第4屆青年學(xué)術(shù)年會(huì)衛(wèi)星會(huì)議論文集[C];2001年

6 姜愛(ài)萍;黃鳳文;;用于高頻金融時(shí)間序列預(yù)測(cè)的偏差重構(gòu)方法[A];第九屆中國(guó)青年信息與管理學(xué)者大會(huì)論文集[C];2007年

相關(guān)博士學(xué)位論文 前2條

1 鮑潔秋;單相串聯(lián)電弧故障識(shí)別方法研究[D];沈陽(yáng)工業(yè)大學(xué);2016年

2 王抵修;地學(xué)數(shù)據(jù)分析中的相空間重構(gòu)預(yù)測(cè)方法研究[D];吉林大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 汪運(yùn);基于相空間重構(gòu)理論和誤差矯正模型的組合風(fēng)速預(yù)測(cè)模型的研究與應(yīng)用[D];蘭州大學(xué);2015年

2 鮑子林;糖尿病輕度認(rèn)知障礙EEG相空間特征及相位幅度耦合研究[D];燕山大學(xué);2016年

3 朱永強(qiáng);基于相空間重構(gòu)的地球化學(xué)元素混沌特征研究[D];廣州大學(xué);2016年

4 張珊珊;基于EMD的相空間重構(gòu)極限學(xué)習(xí)機(jī)的短期氣象要素預(yù)測(cè)方法及其應(yīng)用研究[D];南昌大學(xué);2016年

5 孫彬彬;混沌時(shí)序的特征量分析及相空間重構(gòu)研究[D];東北大學(xué);2008年

6 楊姝;激光混沌的相空間重構(gòu)研究[D];長(zhǎng)春理工大學(xué);2008年

7 唐奎;動(dòng)力系統(tǒng)的相空間重構(gòu)研究及其實(shí)證分析[D];重慶大學(xué);2003年

8 郅逍遙;基于相空間重構(gòu)的樂(lè)器識(shí)別[D];太原科技大學(xué);2014年

9 姜桂仁;混沌時(shí)序的特征量分析及相空間重構(gòu)[D];江蘇大學(xué);2005年

10 牛艷芳;多輸入復(fù)雜系統(tǒng)相空間重構(gòu)及其應(yīng)用研究[D];沈陽(yáng)航空航天大學(xué);2012年

，

本文編號(hào)：1510065