李其杰
- 作品数：3 被引量：16H指数：3
- 供职机构：解放军理工大学理学院更多>>
- 发文基金：国家自然科学基金更多>>
- 相关领域：天文地球更多>>
- EEMD、CEEMD算法与SVM在SST时间序列研究中的应用被引量：5
- 2017年
- 海洋表面温度(SST)具有非线性、非平稳等特征,给处理和预测带来了很大的困难.将集合经验模态分解(EEMD)、改进的集合经验模态分解(CEEMD)与支持向量机(SVM)方法相结合,实现了对东北太平洋月平均海温距平序列(SSTA)的预测:首先应用EEMD或CEEMD方法将SST数据分解为多个本征模态函数(IMFs),然后应用SVM算法对各IMFs进行拟合、预测,最后对各IMFs预测结果叠加重构得到预测结果.EEMD-SVM和CEEMD-SVM数值模拟结果显示,预测最大误差小于0.25℃,并且CEEMD-SVM预测效果更好,为SST实际预测提供了参考.
- 李其杰李嘉康赵颖廖洪林
- 关键词：海洋表面温度经验模态分解支持向量机
- 基于CEEMD-BP神经网络的海温异常预测研究被引量：8
- 2017年
- 海洋表面温度(SST)具有非平稳、非线性的特征,对处理和预测造成了很大困难.将互补集合经验模态分解(CEEMD)和BP神经网络相结合,对东北太平洋和赤道中、东太平洋这两区域的月平均海洋表面温度距平序列(SSTA)进行模拟预测研究:首先应用CEEMD方法将SSTA分解为不同尺度的一系列本征模函数(IMFs);再运用BP神经网络对各IMFs进行分析预测;最后将各IMFs预测结果进行重构得到最终SSTA的预测值.数值实验的结果表明,应用CEEMD和BP神经网络对东北太平洋和赤道中、东太平洋的SST预测是有效的.
- 李嘉康李其杰赵颖廖洪林
- 关键词：海洋表面温度BP神经网络
- 基于改进EMD算法和BP神经网络的SST预测研究被引量：5
- 2017年
- 海洋表面温度(Sea Surface Temperature,SST)具有非平稳、非线性的特征,直接将处理平稳数据序列的方法应用到非平稳非线性特征明显的序列上显然是不合适的,预测的误差将会很大。为了提高预测精度,更好地解决非平稳非线性序列预测的问题,本文以东北部太平洋(40°N^50°N、150°W^135°W)区域的月平均海洋表面距平温度为例,首先分别应用集合经验模态分解(EEMD)和互补集合经验模态分解(CEEMD)方法将SST分解为不同尺度的一系列模态分量(IMF),再运用BP(Back Propagation)神经网络模型对每一个模态分量进行分析预测,最后将各IMF预测结果进行重构得到SST的预测值。数值试验的结果表明,CEEMD分解精度比EEMD分解精度高,CEEMD提高了基于BP神经网络的预测精度。系列试验统计分析说明应用这种方法对SST的1年预测是有效的。
- 李嘉康赵颖廖洪林李其杰
- 关键词：BP神经网络
