10.11830/ISSN.1000-5013.202001027
结合时间序列分解和神经网络的河流溶解氧预测
为克服小流域数据资料少,河流溶解氧的非平稳特性及动态变化造成的预测困难,提出结合具有自适应噪声的完整集成经验模态分解(CEEMDAN)和Elman动态神经网络的预测方法.使用CEEMDAN方法对原始溶解氧时序数据进行平稳化处理及降噪,提取溶解氧随时间变化的波动特征、周期特征,以及长期趋势,通过计算样本熵(SE)值,将相似的特征序列合并,以减小误差累积,对合并后的新序列分别采用布谷鸟搜索(CS)算法优化的Elman模型进行预测,将各预测值叠加,得到最终预测结果.实验结果表明:CEEMDAN-SE-CS-Elman方法平均绝对误差(EMA)为0.14;平均绝对百分误差(EMPA)为2.07%;均方根误差(ERMS)为0.24;可决系数(R2)达到0.9516,精度较其他时间序列预测模型有所提高.
河流溶解氧、预测模型、CEEMDAN、样本熵、布谷鸟搜索算法、Elman神经网络
41
TP183;X832(自动化基础理论)
国家重点研发计划项目2017YFB0503500
2020-10-13(万方平台首次上网日期,不代表论文的发表时间)
共8页
659-666