利用小波分解的时间序列云量预测方法

针对传统模型对高分辨率云量时间序列数据适用性差、拟合效果较差以及预测结果准确度低的问题,提出了一种基于小波分解的云量时间序列组合模型预测方法。该方法可以有效提取高分辨率云量时间序列数据的低频趋势序列信息和高频随机序列信息,利用波动特征与随机项扰动纠正,对未来一段时期的云量分布进行预测。试验结果表明,该预测方法改进了传统方法对高分辨率数据适用性较差的问题,能够较为准确地拟合时间序列数据的变化规律,提高了预测准确度,为较长周期的卫星成像数据的选取提供重要的参考依据。     

支持向量回归在地面站资源评价模型中的应用

针对多遥感卫星地面站资源配置问题涉及的因素众多,而且仿真求解过程需要对不同场景的资源进行配置、调度,导致求解过程复杂、耗费时间较长的问题,提出了基于支持向量回归(Support Vector Regression,SVR)的资源评价模型。选取评价模型的评价指标,采用层次分析法(Analytic Hierarchy Process,AHP)与灰色关联理论并通过仿真得到评价值,将仿真数据随机分为训练样本和测试样本,求解二次规划问题,并采用遗传算法对模型进行参数寻优。试验表明,该方法求解迅速,模型具有较好的拟合和泛化能力。