一种高精度的短期潮汐预报模型
本文关键词:一种高精度的短期潮汐预报模型 出处:《上海海事大学学报》2016年03期 论文类型:期刊论文
更多相关文章: 潮汐预报 模块化方法 调和分析法 支持向量机(SVM) 灰色模型 粒子群优化(PSO)
【摘要】:为提高潮汐预报的精度,提出一种基于支持向量机(Support Vector Machine,SVM)的模块化潮汐实时预报模型.将潮汐分为受天体引潮力影响的天文潮和受环境因素和其他因素影响的非天文潮,分别使用调和分析法和改进的SVM对天文潮和非天文潮进行预报,结合两种方法的输出构造最终的潮汐预报结果.在对非天文潮的预测中,将SVM与灰色模型相结合,并利用粒子群优化(Particle Swarm Optimization,PSO)算法对SVM的参数进行优化以提高预报精度.利用火奴鲁鲁港口的实测潮汐数据进行实时潮汐预报仿真.仿真结果表明该方法具有较高的短期预报精度.
[Abstract]:In order to improve the accuracy of prediction of the tides, based on support vector machine (Support Vector Machine, SVM) modular real time forecasting model. The tidal tidal divided by the tidal force of celestial bodies of astronomical tide and affected by environmental factors and other factors of the non astronomical tide, respectively using harmonic analysis method and improved SVM used for the prediction of astronomical tide and non tide, the combination of the two methods to construct the final output tidal prediction results. In prediction of non astronomical tide, combining SVM with grey model, and the use of particle swarm optimization (Particle Swarm Optimization, PSO) algorithm parameters of SVM are optimized to improve forecast accuracy. Real time tide prediction simulation using the observed tidal data of Honolulu port. The simulation results show that this method has high precision of short-term prediction.
【作者单位】: 大连海事大学航海学院;
【基金】:中央高校基本科研业务经费(3132016116) 交通运输部应用基础研究项目(2014329225010) 辽宁省教育厅科学研究一般项目(L2014214)
【分类号】:U675.12
【正文快照】: 0引言潮汐(海面周期升降运动[1])预报直接关系到船舶航行安全和港口营运效率,对军事、渔业、港口和近岸工程以及其他沿海生产活动都有重要的影响.潮汐一直是船舶航行计划制定和港口作业调度的重要因素:准确的潮汐预报是航行安全的重要保障,并有利于港口水深资源的充分利用;相
【参考文献】
相关期刊论文 前6条
1 谷文成;柴宝仁;滕艳平;;基于粒子群优化算法的支持向量机研究[J];北京理工大学学报;2014年07期
2 章永来;史海波;周晓锋;杨秀锋;;基于统计学习理论的支持向量机预测模型[J];统计与决策;2014年05期
3 杨华龙;刘金霞;郑斌;;灰色预测GM(1,1)模型的改进及应用[J];数学的实践与认识;2011年23期
4 张心光;邹早建;;小波去噪在船舶操纵运动建模中的应用(英文)[J];船舶力学;2011年06期
5 丁世飞;齐丙娟;谭红艳;;支持向量机理论与算法研究综述[J];电子科技大学学报;2011年01期
6 徐红敏;王海英;梁瑾;黄帅;;支持向量机回归算法及其应用[J];北京石油化工学院学报;2010年01期
【共引文献】
相关期刊论文 前10条
1 张翔;胡广芹;张新峰;;中医舌图像的质量评价研究[J];世界中西医结合杂志;2017年11期
2 史小平;;支持向量机理论视角下高职英语教学评价模式研究[J];才智;2017年33期
3 夏桃勇;;基于支持向量机的低压台区线损管理诊断模型[J];电子科技;2017年11期
4 王彬;;基于灰色回归组合模型的铁路客运量预测研究[J];重庆理工大学学报(自然科学);2017年11期
5 张天欣;;感知机理论研究综述[J];电子技术与软件工程;2017年22期
6 崔乃丹;向万里;孟学雷;张春民;张博昊;;基于小波灰色GM(1,1)模型的货运量预测研究[J];铁道科学与工程学报;2017年11期
7 覃朗;朱建军;;基于超立方体顶点采样的区间数SVM分类模型研究[J];计算机工程与科学;2017年11期
8 成谢锋;陈亚敏;;S1和S2共振峰频率在心音分类识别中的应用[J];南京邮电大学学报(自然科学版);2017年05期
9 魏帅充;王红军;王茂;王倪珂;;基于WPD_EMD和SVM刀具磨损故障诊断模型[J];机械工程师;2017年11期
10 程毛林;韩云;;差分方程型离散灰色模型与应用[J];统计与信息论坛;2017年11期
【二级参考文献】
相关期刊论文 前10条
1 陶新民;曹盼东;宋少宇;付丹丹;;基于两阶段学习的半监督支持向量机分类算法[J];信息与控制;2012年01期
2 陈涛;;基于加速遗传算法的选择性支持向量机集成[J];计算机应用研究;2011年01期
3 刘晓亮;丁世飞;朱红;张力文;;SVM用于文本分类的适用性[J];计算机工程与科学;2010年06期
4 何昕;陈亚青;;应用改进的灰色模型预测民航管制员数量[J];实验科学与技术;2010年01期
5 施其权;李小明;肖辞源;;一类新型快速模糊支持向量机[J];计算机技术与发展;2010年02期
6 任工昌;刘丽;苗新强;;改进灰色模型在电力负荷中的预测分析及实现[J];机械设计与制造;2010年02期
7 孙名松;高庆国;王宣丹;;基于双隶属度模糊支持向量机的邮件过滤[J];计算机工程与应用;2010年02期
8 吴桂芳;何勇;;小波阈值降噪模型在红外光谱信号处理中的应用研究[J];光谱学与光谱分析;2009年12期
9 孙昌跃;邓正隆;;结合小波消噪的捷联惯导系统传递对准性能改进[J];控制理论与应用;2009年12期
10 王文剑;郭虎升;;粒度支持向量机学习模型[J];山西大学学报(自然科学版);2009年04期
,本文编号:1432661
本文链接:https://www.wllwen.com/kejilunwen/chuanbolw/1432661.html