本文主要研究内容
作者李栋,薛惠锋,张燕（2019）在《基于经验模态分解的降水量组合预测模型》一文中研究指出：针对降水量时间序列的多尺度非平稳性特点,提出了一种改进的集成经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)-核极限学习机(Kernel Extreme Learning Machine,KELM)-果蝇优化算法(Fruit Fly Optimization Algorithm,FFOA)相结合的降水量预测模型。首先,利用MEEMD将非平稳的地降水量时间序列分解为一系列复杂度差异明显的降水量子序列;接着,针对每一个子序列分别建立KELM预测模型;为了进一步提高预测精度,将子模型的结果通过一组系数融合,并利用FFOA进行系数寻优,获得降水量的最终预测结果;最后,以重庆酉阳实测的年度降水量数据为例进行实验,并与BP神经网络、KELM以及MEEMD-KELM的三种预测模型进行比较。实验结果表明,MEEMD-KELM-FFOA模型的预测值能紧跟降水量的变化趋势,相比另外三种模型,体现出更好的预测效果。
Abstract
zhen dui jiang shui liang shi jian xu lie de duo che du fei ping wen xing te dian ,di chu le yi chong gai jin de ji cheng jing yan mo tai fen jie (Modified Ensemble Empirical Mode Decomposition,MEEMD)-he ji xian xue xi ji (Kernel Extreme Learning Machine,KELM)-guo ying you hua suan fa (Fruit Fly Optimization Algorithm,FFOA)xiang jie ge de jiang shui liang yu ce mo xing 。shou xian ,li yong MEEMDjiang fei ping wen de de jiang shui liang shi jian xu lie fen jie wei yi ji lie fu za du cha yi ming xian de jiang shui liang zi xu lie ;jie zhao ,zhen dui mei yi ge zi xu lie fen bie jian li KELMyu ce mo xing ;wei le jin yi bu di gao yu ce jing du ,jiang zi mo xing de jie guo tong guo yi zu ji shu rong ge ,bing li yong FFOAjin hang ji shu xun you ,huo de jiang shui liang de zui zhong yu ce jie guo ;zui hou ,yi chong qing you yang shi ce de nian du jiang shui liang shu ju wei li jin hang shi yan ,bing yu BPshen jing wang lao 、KELMyi ji MEEMD-KELMde san chong yu ce mo xing jin hang bi jiao 。shi yan jie guo biao ming ,MEEMD-KELM-FFOAmo xing de yu ce zhi neng jin gen jiang shui liang de bian hua qu shi ,xiang bi ling wai san chong mo xing ,ti xian chu geng hao de yu ce xiao guo 。
论文参考文献
论文详细介绍
论文作者分别是来自计算机仿真的李栋,薛惠锋,张燕，发表于刊物计算机仿真2019年03期论文，是一篇关于降水量论文,改进的集成经验模态分解论文,核极限学习机论文,果蝇优化算法论文,预测论文,计算机仿真2019年03期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自计算机仿真2019年03期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：降水量论文; 改进的集成经验模态分解论文; 核极限学习机论文; 果蝇优化算法论文; 预测论文; 计算机仿真2019年03期论文;