針對區(qū)域地下水埋深時間序列預測問題,本文將集合經(jīng)驗模態(tài)分解（EEMD）、粒子群算法（PSO）和極限學習機（ELM）組合,構(gòu)建了EEMD-PSO-ELM地下水埋深預測模型。選用黑龍江省三江平原友誼農(nóng)場地下水埋深的時間序列數(shù)據(jù),首先利用EEMD將地下水埋深時序數(shù)據(jù)分解成若干個IMF分量,根據(jù)各分量均值將IMF分量分組疊加為高頻部分、低頻部分和余項;然后針對3個新序列分別構(gòu)建不同的PSO-ELM模型,進而得到3組預測值,最后將預測值疊加就得到原始地下水埋深序列的最終預測值。通過精度檢驗發(fā)現(xiàn),該組合預測模型預測效果很好;與徑向基網(wǎng)絡（radial basis function neural network,RBF）、PSO-ELM模型和ELM模型對比分析,實驗結(jié)果表明,EEMD和PSO均能有效改善ELM神經(jīng)網(wǎng)絡的預測精度,ELM神經(jīng)網(wǎng)絡在區(qū)域地下水埋深預測方面有很大的應用前景。 

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引 言
1 研究方法
    1.1 集合經(jīng)驗模態(tài)分解
    1.2 粒子群算法優(yōu)化極限學習機
2 研究區(qū)域和數(shù)據(jù)來源
    2.1 研究區(qū)域概況
    2.2 數(shù)據(jù)來源
3 結(jié)果與討論
    3.1 原始序列分解與重建
    3.2 預測結(jié)果及精度分析
    3.3 模型預測性能對比分析
    3.4 地下水埋深預測
4 結(jié) 論


【參考文獻】：
期刊論文
[1]基于PSR和PSO的區(qū)域地下水埋深ELM預測模型[J]. 曹偉征,李光軒,張玉國,劉東.  水利水電技術(shù). 2018(06)
[2]基于隨機共振和經(jīng)驗模態(tài)分解的水力發(fā)電機組振動故障診斷[J]. 賈嶸,李濤濤,夏洲,馬喜平.  水利學報. 2017(03)
[3]基于改進EEMD-SE-ARMA的超短期風功率組合預測模型[J]. 田波,樸在林,郭丹,王慧.  電力系統(tǒng)保護與控制. 2017(04)
[4]基于粒子群優(yōu)化極限學習機的水質(zhì)評價新模型[J]. 張穎,李梅.  環(huán)境科學與技術(shù). 2016(05)
[5]基于ARIMA補償ELM的網(wǎng)絡流量預測方法[J]. 田中大,李樹江,王艷紅,王向東.  信息與控制. 2014(06)
[6]基于經(jīng)驗模式分解和極限學習機的鈾資源價格預測方法[J]. 顏七笙,王士同,張延飛,丁木華.  控制與決策. 2014(07)
[7]PSO-LSSVM灰色組合模型在地下水埋深預測中的應用[J]. 龍文,梁昔明,龍祖強,閻綱.  系統(tǒng)工程理論與實踐. 2013(01)
[8]自適應粒子群優(yōu)化算法（APSO）在膜下滴灌優(yōu)化灌溉中的應用[J]. 羅志平.  節(jié)水灌溉. 2011(08)
[9]集合經(jīng)驗模式分解在旋轉(zhuǎn)機械故障診斷中的應用[J]. 竇東陽,趙英凱.  農(nóng)業(yè)工程學報. 2010(02)
[10]神經(jīng)網(wǎng)絡與地下水流動數(shù)值模型在干旱內(nèi)陸區(qū)地下水位變化分析中的應用[J]. 霍再林,馮紹元,康紹忠,蔣靜.  水利學報. 2009(06)

博士論文
[1]基于EEMD與MED的沖擊信號自適應故障特征提取方法[D]. 蔣超.上海大學 2016

碩士論文
[1]黑龍江墾區(qū)友誼農(nóng)場現(xiàn)代農(nóng)業(yè)發(fā)展研究[D]. 于志海.吉林大學 2016
[2]基于變結(jié)構(gòu)Copula模型的國內(nèi)外股市波動溢出效應研究[D]. 唐吟.華南理工大學 2013



本文編號：3707719