基于EEMD的区域地下水埋深PSO-ELM预测模型

发布时间：2022-12-04 05:57

　　针对区域地下水埋深时间序列预测问题,本文将集合经验模态分解（EEMD）、粒子群算法（PSO）和极限学习机（ELM）组合,构建了EEMD-PSO-ELM地下水埋深预测模型。选用黑龙江省三江平原友谊农场地下水埋深的时间序列数据,首先利用EEMD将地下水埋深时序数据分解成若干个IMF分量,根据各分量均值将IMF分量分组叠加为高频部分、低频部分和余项;然后针对3个新序列分别构建不同的PSO-ELM模型,进而得到3组预测值,最后将预测值叠加就得到原始地下水埋深序列的最终预测值。通过精度检验发现,该组合预测模型预测效果很好;与径向基网络（radial basis function neural network,RBF）、PSO-ELM模型和ELM模型对比分析,实验结果表明,EEMD和PSO均能有效改善ELM神经网络的预测精度,ELM神经网络在区域地下水埋深预测方面有很大的应用前景。 

【文章页数】：7 页

【文章目录】：
0 引 言
1 研究方法
    1.1 集合经验模态分解
    1.2 粒子群算法优化极限学习机
2 研究区域和数据来源
    2.1 研究区域概况
    2.2 数据来源
3 结果与讨论
    3.1 原始序列分解与重建
    3.2 预测结果及精度分析
    3.3 模型预测性能对比分析
    3.4 地下水埋深预测
4 结 论


【参考文献】：
期刊论文
[1]基于PSR和PSO的区域地下水埋深ELM预测模型[J]. 曹伟征,李光轩,张玉国,刘东.  水利水电技术. 2018(06)
[2]基于随机共振和经验模态分解的水力发电机组振动故障诊断[J]. 贾嵘,李涛涛,夏洲,马喜平.  水利学报. 2017(03)
[3]基于改进EEMD-SE-ARMA的超短期风功率组合预测模型[J]. 田波,朴在林,郭丹,王慧.  电力系统保护与控制. 2017(04)
[4]基于粒子群优化极限学习机的水质评价新模型[J]. 张颖,李梅.  环境科学与技术. 2016(05)
[5]基于ARIMA补偿ELM的网络流量预测方法[J]. 田中大,李树江,王艳红,王向东.  信息与控制. 2014(06)
[6]基于经验模式分解和极限学习机的铀资源价格预测方法[J]. 颜七笙,王士同,张延飞,丁木华.  控制与决策. 2014(07)
[7]PSO-LSSVM灰色组合模型在地下水埋深预测中的应用[J]. 龙文,梁昔明,龙祖强,阎纲.  系统工程理论与实践. 2013(01)
[8]自适应粒子群优化算法（APSO）在膜下滴灌优化灌溉中的应用[J]. 罗志平.  节水灌溉. 2011(08)
[9]集合经验模式分解在旋转机械故障诊断中的应用[J]. 窦东阳,赵英凯.  农业工程学报. 2010(02)
[10]神经网络与地下水流动数值模型在干旱内陆区地下水位变化分析中的应用[J]. 霍再林,冯绍元,康绍忠,蒋静.  水利学报. 2009(06)

博士论文
[1]基于EEMD与MED的冲击信号自适应故障特征提取方法[D]. 蒋超.上海大学 2016

硕士论文
[1]黑龙江垦区友谊农场现代农业发展研究[D]. 于志海.吉林大学 2016
[2]基于变结构Copula模型的国内外股市波动溢出效应研究[D]. 唐吟.华南理工大学 2013



本文编号：3707719