利用灰色关联极限学习机预报日长变化

doi:10.7523/j.issn.2095-6134.2015.05.003

中国科学院大学学报 ›› 2015, Vol. 32 ›› Issue (5): 588-593.DOI: 10.7523/j.issn.2095-6134.2015.05.003

利用灰色关联极限学习机预报日长变化

雷雨^1,2,3, 蔡宏兵^1,2, 赵丹宁^1,3

1. 中国科学院国家授时中心, 西安 710600;
2. 中国科学院时间频率基准重点实验室, 西安 710600;
3. 中国科学院大学, 北京 100049

收稿日期:2014-11-04 修回日期:2015-03-12 发布日期:2015-09-15
通讯作者: 雷雨
基金资助:
中国科学院西部之光联合学者项目(201491)资助

Prediction of length-of-day variation using grey relational analysis and extreme learning machine

LEI Yu^1,2,3, CAI Hongbing^1,2, ZHAO Danning^1,3

1. National Time Service Center, Chinese Academy of Sciences, Xi'an 710600, China;
2. Key Laboratory of Time and Frequency Primary Standards, Chinese Academy of Sciences, Xi'an 710600, China;
3. University of Chinese Academy of Sciences, Beijing 100049, China

Received:2014-11-04 Revised:2015-03-12 Published:2015-09-15

摘要/Abstract

摘要：

针对日长变化难以用精确模型进行预报的问题,将一种新型人工神经网络——极限学习机(extreme learning machine, ELM)用于日长变化预报中.首先针对时间序列预测问题中存在的嵌入维数选取和网络结构设计问题,提出一种基于灰色关联分析(grey relational analysis, GRA)的ELM算法(GRA-ELM),该算法将灰色关联分析输入节点选取嵌入到ELM网络的训练过程中,同时完成嵌入维数和隐层节点规模的确定.然后根据日长变化数据的特点对其进行预处理,建立一种能够高精度、近实时预报日长变化的GRA-ELM预报模型.最后将GRA-ELM模型的预报结果同标准ELM、反向传播神经网络、广义回归神经网络和地球定向参数预报比较竞赛的结果进行比较.结果表明,通过本方法得到的日长变化较其他方法在精度上有较大改善.

关键词: 日长变化, 预报, 灰色关联分析, 极限学习机, 神经网络

Abstract:

Due to the time-varying characteristics of length-of-day (LOD), it is difficult to model LOD variations with a deterministic model. We employ a new type of artificial neural networks (ANN)-extreme learning machine (ELM) to predict LOD variations. In order to solve the problems of embedding dimension selection and network topology design, a training algorithm for ELM based on grey relational analysis (GRA) is first proposed. It optimizes the input and hidden layers simultaneously. Secondly, the values of LOD variation are preprocessed and a GRA-ELM model is then set up to accurately forecast LOD variation in near real-time. Finally, the prediction results are analyzed and compared with those obtained by the back propagation neural networks, generalization regression neural networks and Earth orientation parameters prediction comparison campaign. The results show that the prediction accuracy of our method is equal to or even better than those of the other prediction methods. The developed method is easy to use.

Key words: length-of-day (LOD) variations, prediction, grey relational analysis (GRA), extreme learning machine (ELM), neural networks (NN)

中图分类号:

P227.1

雷雨, 蔡宏兵, 赵丹宁. 利用灰色关联极限学习机预报日长变化[J]. 中国科学院大学学报, 2015, 32(5): 588-593.

LEI Yu, CAI Hongbing, ZHAO Danning. Prediction of length-of-day variation using grey relational analysis and extreme learning machine[J]. Journal of University of Chinese Academy of Sciences, 2015, 32(5): 588-593.

参考文献

[1] Gambis D, Luzum B. Earth rotation monitoring, UT1 determination and prediction [J]. Metrologia, 2011, 48(4): 165-170.

[2] Tomasz N, Kosek W. Prediction of UT1-UTC, LOD and AAM χ₃ by combination of least-squares and multivariate stochastic methods [J]. Journal of Geodesy, 2008, 82(2): 83-92.

[3] Kosek W, McCarthy D D, Luzum B J. Possible improvement of Earth orientation forecast using autocovariance prediction procedures[J]. Journal of Geodesy, 1998, 72(4):189-199.

[4] Gross R S, Eubanks T M, Steppe J A, et al. A Kalman filter-based approach to combining independent Earth-orientation series[J]. Journal of Geodesy, 1998, 72(4):215-235.

[5] Schuh H, Ulrich M, Egger D, et al. Prediction of Earth orientation parameters by artificial neural networks[J]. Journal of Geodesy, 2002, 76(5):247-258.

[6] 张晓红, 王琪洁, 朱建军, 等. 广义回归神经网络在日长变化预报中的应用[J]. 天文学报,2011, 52(4):322-331.

[7] Wang Q J, Du Y N, Liu J. Introducing atmospheric angular momentum into prediction of length of day change by generalized regression neural network model[J]. Journal of Central South University, 2014, 21:1396-1401.

[8] Akyilmaz O, Kutterer H. Prediction of Earth rotation parameters by fuzzy inference systems[J]. Journal of Geodesy, 2004, 78(1/2):82-93.

[9] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine:theory and applications[J]. Neurocomputing, 2006, 70(1-3):489-501.

[10] Huang G B, Zhu H M, Ding X J, et al. Extreme learning machine for regression and multiclass classification[J]. Iee Transactions on Systems, Man, and Cybernetics-Part B:Cybernetics, 2012, 42(2):513-529.

[11] Sun Z L, Choi T M. Sales forecasting using extreme learning machine with applications in fashion retailing[J]. Decision Support Systems, 2008, 46(1):411-419.

[12] Gerard P, Brain L. IERS Conventions (2010)[S]. Germany:Verlag des Bundesamts für Kartographie und Geodasie, 2011:123-131.

[13] 崔杰. 一种新的灰色相似关联度及其应用[J]. 统计与决策, 2008, 20:14-16.

[14] Kalarus M, Schuh H, Kosek W, et al. Achievements of the Earth orientation parameters prediction comparison campaign[J]. Journal of Geodesy, 2010, 84(10):587-596.

[1]	王慧玲, 谢卓辰, 梁旭文. 单粒子翻转对神经网络的影响分析与优化[J]. 中国科学院大学学报, 2021, 38(6): 832-840.
[2]	于文欣, 李凯, 周明拓, 李剑, 杨旸. 面向三维信道幅值预测的自适应神经网络[J]. 中国科学院大学学报, 2021, 38(5): 678-686.
[3]	钱欢, 谢卓辰, 梁旭文. 基于dropout算法的卷积神经网络单粒子翻转容错方法[J]. 中国科学院大学学报, 2021, 38(5): 712-719.
[4]	纪玉峰, 郑敏, 谭冲, 刘洪. 基于神经网络的车联网频谱感知组合算法[J]. 中国科学院大学学报, 2021, 38(4): 549-556.
[5]	肖亚楠, 周伟, 崔杰, 刘亭亭, 肖灵. 一种LSTM神经网络和卡尔曼滤波相结合的复合材料承载预测方法[J]. 中国科学院大学学报, 2021, 38(3): 374-381.
[6]	胡莉娜, 高盛华. 基于层次化标签的人体解析[J]. 中国科学院大学学报, 2020, 37(6): 820-827.
[7]	冯齐心, 杨辽, 王伟胜, 陈桃, 黄双燕. 基于时序光谱重构的卷积神经网络遥感农作物分类[J]. 中国科学院大学学报, 2020, 37(5): 619-628.
[8]	王虹, 徐佑宇, 谭冲, 刘洪, 郑敏. 基于改进粒子群的BP神经网络WSN数据融合算法[J]. 中国科学院大学学报, 2020, 37(5): 673-680.
[9]	唐思琦, 韩丛英, 郭田德. 基于机器学习的点集匹配算法[J]. 中国科学院大学学报, 2020, 37(4): 450-457.
[10]	胡亮, 肖俊, 王颖. 基于多维度特征和MLP的岩体点云植被滤波方法[J]. 中国科学院大学学报, 2020, 37(3): 345-351.
[11]	薛建伟, 唐亮, 卜智勇. 基于神经网络的认知无线电合作频谱感知[J]. 中国科学院大学学报, 2020, 37(3): 379-386.
[12]	宋晗, 杨炜暾, 耿修瑞, 赵永超. 基于卷积神经网络与主动学习的高光谱图像分类[J]. 中国科学院大学学报, 2020, 37(2): 169-176.
[13]	王惠君, 赵桂萍, 李良, 张威, 齐荣, 刘珺. 基于卷积神经网络(CNN)的泥质烃源岩TOC预测模型——以鄂尔多斯盆地杭锦旗地区为例[J]. 中国科学院大学学报, 2020, 37(1): 103-112.
[14]	宋旭鸣, 沈逸飞, 石远明. 基于深度学习的智能移动边缘网络缓存[J]. 中国科学院大学学报, 2020, 37(1): 128-135.
[15]	王健飞, 张卫强, 刘加. 基于多状态跳转模型的场景独立音频事件检测方法[J]. 中国科学院大学学报, 2019, 36(2): 218-225.

利用灰色关联极限学习机预报日长变化

Prediction of length-of-day variation using grey relational analysis and extreme learning machine

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们