基于经验模态分解和神经网络方法的太阳10.7cm射电流量短期预测
投稿时间: 2012-12-06  最后修改时间: 2012-12-06  点此下载全文
引用本文:
摘要点击次数: 405
全文下载次数: 
作者单位E-mail
程国胜 南京信息工程大学数学与统计学院 chenggs@nuist.edu.cn 
周栋华 南京信息工程大学数学与统计学院  
蓝如师 南京信息工程大学数学与统计学院  
朱琳玲 南京信息工程大学数学与统计学院  
基金项目:国家自然科学基金项目(面上项目)
中文摘要:针对太阳10.7cm波段射电流量(即 指数)时间序列具有强烈的非平稳性和非线性特征,本文采用基于经验模态分解(EMD)和径向基函数(RBF)神经网络相结合的短期 组合预测方法。该方法首先利用EMD算法将修正后的 日测值分解成一系列本征模态函数(IMF)分量和一个趋势分量;然后使用RBF神经网络对每个分量进行预测;最后通过累加各预测值得到最终结果。研究表明:(1)对2012年1月1日至2012年11月9日的 短期预测值进行了分析,绝大部分相对误差(占总体90%以上)不超过10%,最大相对误差不超过35%,未来三天平均相对误差分别为:2.5%、3.6%和4.3%;(2)与单一使用RBF、BP神经网络以及支持向量机(SVM)方法的预测结果作对比,本文方法的预测精度更高;(3)与中国科学院国家天文台太阳活动预报中心(NADC)发布的2012年9月1日至2012年11月9日期间的 预测值进行了比较,未来三天的相对误差分别降低5.99%、7.72%和8.10%。
中文关键词:太阳射电流量  经验模态分解(EMD)  RBF神经网络  时间序列
 
Short-term prediction of 10.7cm solar radio flux based on EMD and neural networks
Abstract:A short-term 10.7cm solar radio flux prediction method based on EMD and RBF neural network is proposed to treat with the strong nonlinearity and non-stationarity of time series. Firstly, the modified daily observed data is decomposed into a series of Intrinsic Mode Function (IMF) components and a trend component by using the Empirical Mode Decomposition (EMD).Then, a RBF neural network prediction method is used to predict each component. Finally, the results are obtained by accumulating all predictions. This study indicate: (1) the analysis of short-term prediction of from 2012.1.1 to 2012.11.9 shows that more than 90% of relative error is less than 10%, max relative error is less than 35% and each of mean relative error of next three days is: 2.5%、3.6% and 4.3%; (2) comparing to RBF、BP and SVM respectively shows the new method has better performance in prediction accuracy; (3) comparing to the predictions released by NADC from 2012.9.1 to 2012.11.9, the relative error of next three days respectively reduces 5.99%、7.72% and 8.10%.
keywords:solar radio flux  Empirical Mode Decomposition(EMD)  RBF neural network  time series
查看全文  查看/发表评论  下载PDF阅读器