模型输入对模糊神经网络预报模型的影响研究

为了探索模型输入对模糊神经网络预报模型预测性能的影响,研究了通过减少预报模型自变量组合的复共线性影响,并结合相似系数计算分析方法建立了一种新的模糊神经网络预报模型。以气象学科的逐日降水预报作为研究对象,利用这种新的模糊神经网络预报模型进行了实际预报试验,并与常规的模糊神经网络预报方法,中国气象局T213数值预报模式以及逐步回归预报方法的预报结果进行了对比分析。结果表明,这种基于条件数和相似系数计算的模糊神经网络预报新方法对49天降水的独立样本预报平均绝对误差为7.33 mm,预报误差比模糊神经网络预报模型下降了5.9%,比传统的逐步回归方法下降了14.9%,比中国气象局T213数值预报模式的预报结果下降了13.4%。显示了很好的应用前景。     

经验模式分解与时间序列分析在网络流量预测中的应用

提出一种经验模式分解和时间序列分析的网络流量预测方法. 首先,对网络流量时间序列进行经验模式分解,产生高低频分量和余量;然后,对各分量进行时间序列分析,确保高频分量采用改进和声搜索算法优化的最小二乘支持向量机模型、低频分量和余量采用差分自回归滑动平均模型进行建模和预测;最后,将预测结果通过RBF神经网络进行非线性叠加,得到最终的预测值.仿真实验表明,所提出方法具有更好的预测效果和更高的预测精度.     

基于交叉相关法的卫星云图中云团移动的短时预测

在卫星云图应用研究中引入交叉相关法的思想进行云团移动的短时预测。选取连续两个时次的GMS-5卫星云图,将云图区域划分为32×32像素的图像子集,采用交叉相关法计算获取两幅云图的最佳匹配区域,根据前后云图匹配区域的位置和时间间隔,确定出每个图像子集的移动矢量(速度和方向),并对图像子集的移动矢量进行客观分析,其后,基于检验后的云图移动矢量集,利用后向轨迹方法对云图作短时外推预测。试验结果表明,该方法对卫星云图上较为平稳的云团移动的短时预测效果较好,具有直观、定量、快捷的优点。     

基于FY2C卫星的暴雨云团自动预警方法

提出一种基于卫星数据的暴雨云团追踪预警方法,采用聚类法在卫星红外云图上识别出有效的暴雨云团,利用组合最优化方法实现暴雨云团的追踪,通过线性拟合法给出30 min、60 min、90 min的短时预警。实验结果表明,该方法能有效应用于暴雨云团的临近预报。     

二层分解技术在电价预测中的应用研究

针对电价波动幅度大且预测精度低的问题,提出了二层分解技术与神经网络组成的电价多步预测模型。该模型首先采用集合经验模式分解将原始电价序列分解为一系列分量,变分模态分解将第一层分解产生的最高频率分量进一步分解为一系列模态分量,所有分量采用神经网络模型进行预测,并使用纵横交叉算法对神经网络的参数进行优化,最后叠加所有子序列,得出预测电价值。仿真结果表明,所提出的模型相比其他混合模型具有更好的预测性能,且实用价值高。     

基于集合经验模式分解的火灾时间序列预测

采用集合经验模式分解(EEMD)和多变量相空间重构技术,结合非线性支持向量回归(SVR)模型,提出一种火灾次数时间序列组合预测方法。根据EEMD将非平稳的火灾时间序列分解为一系列不同尺度的固有模态分量,利用多变量相空间重构技术对分解的各个分量进行相空间重构,构建其训练数据,对重构的训练数据建立各分量的非线性支持向量回归预测模型,使用SVR集成预测方法对火灾时间序列进行预测。仿真结果表明,与单变量相空间重构方法以及SVR方法相比,该方法具有较高的预测精度。     

基于粗糙集的模糊神经网络降水预报模型研究

为了提高模糊神经网络预测模型的预测能力,提出了基于粗集理论方法选择自变量作为模型输入的模糊神经网络预报建模方法.以短期降水预报作为研究对象,利用粗集理论的条件属性约简计算分析方法,对初选得到的预报因子矩阵进行属性约简,剔除不相关的属性,找出与预报量直接相关的预报因子,建立模糊神经网络的降水预报模型.实际的预报试验结果表明,该预报方法的预报精度明显高于由逐步回归方法选择预报因子作为模型输入的模糊神经网络预报模型及中国气象局T213数值预报模式的预报结果.     

基于Matlab与VB混合编程的流域降水预报系统

利用研究区获得的水文观测资料,采用模块开发和系统集成方式,研制了研究区流域降水预报系统。介绍了系统的体系结构、主要功能、运行情况及开发的关键技术。叙述了流域降水预报的各种预报方法,并建立了基于遗传算法的降水预报神经网络模型（GA-BP网络模型）。结果表明,GA-BP网络是一种精度较高的降水预报模型,提高预测精度,增长有效预见期。该系统能根据流域观测数据、高空数据、卫星云图、数值产品等数据,实现不同数据源的信息处理和不同时效的降水预报制作,为洪水预警预报和防洪决策服务。     

基于神经网络的卫星钟差预报研究

针对卫星钟差的数学预测补偿问题,研究基于径向基函数神经网络的卫星钟差预报方法.以国际全球定位系统服务机构数据中心网站公布的卫星钟差数据作为输入样本,利用径向基函数神经网络进行学习训练,进行卫星钟差预报,将结果与线性插值法和多项式插值法以及数据中心发布的精密卫星钟差数据做比较,分析卫星钟差的预报精度.仿真结果表明,RBF神经网络逼近非线性函数的能力强、收敛速度快,卫星钟差预报精度高、残差波动小、拟合平滑度好.     

EEMD与RBF神经网络的太阳黑子月均值预测

太阳黑子月均值是典型的混沌时间序列,具有较强的非线性和非平稳特征,能够反映太阳活动的真实水平。采用一种应用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）与径向基函数（Radial Basis Function,RBF）神经网络组合的预测模型。通过EEMD将原始时间序列分解为若干个不同时间尺度的本征模态函数（Intrinsic Mode Function,IMF）分量,并对这些分量进行建模预测,再将各分量的预测值重构得到原始时间序列的预测值,这样不仅降低了算法的复杂性,而且有利于提高模态分量包含信息的物理意义。仿真结果表明,与经验模态分解（Empirical Mode Decomposition,EMD）结合RBF神经网络的模型相比,该模型具有较高的预测精度。     

A novel nonlinear algorithm for typhoon cloud image enhancement

A novel nonlinear gray transform method is proposed to enhance the contrast of a typhoon cloud image. Generally, the typhoon cloud image obtained by a satellite cannot be directly used to make an accurate prediction of the typhoon’s center or intensity because the contrast of the received typhoon cloud image may be bad. Our aim is to extrude the typhoon’s eye in the typhoon cloud image. A normalized arc-tangent transformation operation is designed to enhance global contrast of the typhoon cloud image. Differential evolution algorithm is used to choose the optimal nonlinear transform parameter. Finally, geodesic activity contour model is used to extract the typhoon’s eye to verify the performance of the proposed method. Experimental results show that the proposed method can efficiently enhance the global contrast of the typhoon cloud image while greatly extruding the typhoon’s eye.     

一种光学卫星无控定位误差智能建模方法

光学卫星的无控定位精度是决定影像应用效果的重要因素;研究表明,影响光学卫星无控定位精度的主要因素包括姿态测量随机误差、时间同步误差、结构变形等引起的姿态低频误差等,影响因素多,难解耦,传统通过控制点评估来建立无控定位误差模型的方法难以客观全面地揭示误差规律;为了更准确地建立无控定位误差变化规律模型,该文将卷积神经网络引入无控定位精度建模,以卫星成像参数和业务系统全自动几何质检结果作为学习样本,利用网络训练无控定位精度与成像参数的关系,更全面揭示无控定位误差规律,并通过预测定位误差来提升无控定位精度;试验中选取了10 019景珞珈一号01星数据,采用7 514景影像作为无控定位误差变化规律的训练样本集,剩余的数据开展无控定位误差预测补偿精度验证;结果表明,模型预测精度小于1个像素,验证了该文方案的有效性和可行性。     

A new image prediction model based on spatio-temporal techniques

This paper addresses an image prediction problem focused on images with no identifiable objects. In it, we present several approaches to predict the next image of a given sequence, when the image lacks the well-defined objects, such as meteorological maps or satellite imagery. In these images no clear borders are present, and any object candidate moves, changes, appears and disappears in any image. Nevertheless, this evolution, though unrestricted, is gradual and, hence, prediction looks feasible. One of the approaches presented here, based on a spatio-temporal autoregressive (STAR) model, offers good results for these kinds of images. The main contribution of this paper is to adapt spatio-temporal models to an image prediction problem. As a byproduct of this research, we have achieved a new image compression method, suitable for images without defined shapes.     

一种时间序列分解的卫星周期性参数预测方法

卫星遥测参数预测对卫星故障发现有着重要的指导作用。针对周期性参数难以预测的问题,提出了一种基于时间序列分解的卫星周期性参数的预测方法。该方法首先在频域上使用小波分析对参数序列进行降噪并提取参数的周期;然后,在时域上对参数的时间序列进行分解,进一步得到参数的趋势项和随机项,并根据各项特点分别使用灰色模型和ARMA模型进行预测;最后,重组各部分的预测值,得到最终预测结果。通过对我国某卫星遥测数据的对比实验分析,验证了该方法的正确性和有效性。     

卫星姿态的状态转移控制

本文面向卫星的应用需求,对卫星姿态的运动学和动力学进行了分析与建模.利用反馈线性化,将姿态运动的高阶非线性项包含在姿态控制中,通过局部动态线性化,将动力学系统近似为定常系统.通过幂级数法对系统进行了状态转移过程的求解.采用模型预测的方法获得姿态角和姿态角速度的预期偏差.通过广义逆变换构造关于偏差的最小范数、最小二乘控制器.提出了一种基于状态转移的卫星姿态机动、跟踪与稳定控制的新方法.控制器的参数具有根据系统采样周期和当前状态时变自适应的特点.考虑帆板挠性及多种偏差和噪声影响,仿真验证了方法的可行性和有效性.     

基于时空相关性的卫星网络流量预测

针对当前流量预测模型未考虑时空相关性的问题,影响预测精度,提出一种基于梯度提升回归树的卫星网络流量预测方法。分析卫星网络流量的时空相关性,提取与目标卫星的时空相关流量作为原始的预测输入,并对得到的时空相关流量进行奇异矩阵分解,消除相关输入流量的信息重叠和冗余问题,最后通过改进的梯度提升回归树进行预测。仿真实验表明,该方法有效地提高了卫星网络流量预测的训练速度,预测精度略高。     

A nonlinear prediction model for Chinese speech signal based on RBF neural network

A novel method for Chinese speech time series prediction model is proposed. In order to reconstruct the phase space of Chinese speech signal, the delay time and embedding dimension are calculated by C–C method and false nearest neighbor algorithm. The maximum lyapunov exponent and correlation dimension of Chinese speech phoneme are calculated by wolf algorithm and genetic programming algorithm. The numerical results show that there exists nonlinear characteristics in Chinese speech signal. Based on the analysis method of RBF neural network and the nonlinear characteristic parameters such as the delay time and embedding dimension, a nonlinear prediction model is designed. In order to further verify the prediction performance of the designed prediction model, waveform comparison and four evaluation indexes are used. It is shown that compared with the linear prediction model and back propagation neural network nonlinear prediction model, prediction error of the RBF neural network nonlinear prediction model is significantly reduced, and the model has higher prediction accuracy and prediction performance.

     

基于短时LS-SVM的GNSS铁路路基沉降监测数据分析研究

在GNSS(全球导航卫星系统)铁路路基沉降监测中,卫星信号受到周围环境的影响,同时实时监测中数据传输的不可靠性,导致监测结果往往有很强的不稳定性,有效地剔除粗差能提高GNSS监测的可靠性.鉴于最小二乘支持向量机有很强的非线性运算能力与数据拟合能力,建立短时最小二乘支持向量机铁路沉降数据预测模型,在监测中融合该模型,提高监测的有效性.分别运算该模型对山西中南部铁路通道重载综合试验地的3个监测点进行了分析处理,结果表明融合短时最小二乘支持向量机的预测模型有效抑制了GNSS监测中的离散误差,提高了GNSS监测系统的可靠性与稳定性,为铁路路基沉降监测提供了更为有效的手段.     

条件生成对抗遥感图像时空融合

目的 卫星遥感技术在硬件方面的局限导致获取的遥感图像在时间与空间分辨率之间存在矛盾,而时空融合提供了一种高效、低成本的方式来融合具有时空互补性的两类遥感图像数据（典型代表是Landsat和MODIS （moderate-resolution imaging spectroradiometer）图像）,生成同时具有高时空分辨率的融合数据,解决该问题。方法 提出了一种基于条件生成对抗网络的时空融合方法,可高效处理实际应用中的大量遥感数据。与现有的学习模型相比,该模型具有以下优点：1）通过学习一个非线性映射关系来显式地关联MODIS图像和Landsat图像;2）自动学习有效的图像特征;3）将特征提取、非线性映射和图像重建统一到一个框架下进行优化。在训练阶段,使用条件生成对抗网络建立降采样Landsat和MODIS图像之间的非线性映射,然后在原始Landsat和降采样Landsat之间训练多尺度超分条件生成对抗网络。预测过程包含两层：每层均包括基于条件生成对抗网络的预测和融合模型。分别实现从MODIS到降采样Landsat数据之间的非线性映射以及降采样Landsat与原始Landsat之间的超分辨率首建。结果 在基准数据集CIA （coleam bally irrigation area）和LGC （lower Gwydir catchment）上的结果表明,条件生成对抗网络的方法在4种评测指标上均达到领先结果,例如在CIA数据集上,RMSE （root mean squared error）、SAM （spectral angle mapper）、SSIM （structural similarity）和ERGAS （erreur relative global adimensionnelle desynthese）分别平均提高了0.001、0.15、0.008和0.065;在LGC数据集上分别平均提高了0.001 2、0.7、0.018和0.008 9。明显优于现有基于稀疏表示的方法与基于卷积神经网络的方法。结论 本文提出的条件生成对抗融合模型,能够充分学习Landsat和MODIS图像之间复杂的非线性映射,产生更加准确的融合结果。     

基于非线性薛定谔方程的高分三号图像内波参数反演

高分三号(GF-3)SAR遥感卫星的发射为内波的深入研究提供了丰富图像资料,利用其高空间分辨率和大幅宽成像的优势,能够对南中国海东沙岛附近的内波开展振幅和波速的高精度反演。采用高阶完全非线性薛定谔方程描述内波,建立反演振幅和波速的模型。收集2017年5月至8月南海东沙岛附近的GF-3遥感图像,探究南海陆坡处内波的振幅和传播速度演变。理论模型计算出的结果与2013年该研究区域的实测数据对比,发现反演振幅大小基本与实测相近。内波自东向西传播过程中,水深变浅,非线性作用增强,频散作用减弱,振幅和传播速度都不断减小。这为定量研究内波的能量输送、耗散以及未来的预报工作提供依据。