卫星遥测数据短时CEEMDAN-PSO-ELM预测模型

发布时间：2023-03-14 21:11

　　针对卫星遥测数据变化类型众多而导致传统预测模型难以准确预测的问题,提出一种基于自适应噪声完整集成经验模态分解(CEEMDAN)-粒子群(PSO)-极限学习机(ELM)的组合预测模型。首先对遥测序列进行CEEMDAN分解,以降低序列的非线性;然后利用PSO对ELM预测模型的输入权值和隐含层偏差进行优化;最后利用PSO-ELM预测模型分别预测分解后的序列,依次相加得到最终预测结果。将其应用在某在轨卫星实测数据中,与传统的预测模型比较。结果表明:该方法在平均绝对误差、平均绝对百分误差、均方根误差、标准均方误差指标上均最小,在曲线拐点处与真实数据最为接近。证明该模型能实现准确预测的功能。

【文章页数】：8 页

【文章目录】：
0 引言
1 CEEMDAN方法
2 粒子群优化ELM算法
    2.1 极限学习机相关概念
    2.2 粒子群优化极限学习机
3 CEEMDAN?PSO?ELM预测模型搭建
    3.1 遥测序列预处理
    3.2 模型搭建
    3.3 评价指标
4 基于CEEMDAN?PSO?ELM的卫星遥测预测模型实验与分析
    4.1 电池电压预测结果与分析
        4.1.1 长光照期预测结果与分析
        4.1.2 阴影期预测结果与分析
5 结束语



本文编号：3762759