一种基于经验模态分解和支持向量机的钟差预测方法

文档序号:9261511阅读:1037来源:国知局
一种基于经验模态分解和支持向量机的钟差预测方法
【技术领域】
[0001] 本发明设及原子钟数据处理领域,主要是一种基于经验模态分解和支持向量机的 组合预测方法。
【背景技术】
[0002] 钟差预测是指运用一种或多种算法通过对原子钟的历史钟差数据进行分析学习 后,算出下一刻或下一段时间内的钟差数据。原子钟钟差预测是原子钟权重分配、预测原子 钟的运行状态和对原子钟进行预调节、系统驾驭的重要依据。因此,精准的原子钟钟差预测 对提高原子时时标精度和原子钟系统驾驭精度有着重要作用。
[0003] 目前,对钟差的预测算法主要是用在卫星钟(钢原子钟)上,,用于优化导航电文 的钟差参数、满足实时动态精密单点定位的需求和提供卫星自主导航所需的先验信息。而 针对地面氨原子钟钟差的预测算法较少,主要有一次线性回归算法,基于支持向量机(SVM) 预测算法和人工神经网络法。其中一次线性回归预测算法主要是拟合出钟差的变化趋势, 算法简单,容易实现,但预测精度比较低。人工神经网络法具有记忆不稳定,学习速度慢的 缺点,使用不当时,预测结果与真实背离较远。SVM预测算法的预测精度较高,但是该方法在 预测时很大程度上依赖于支持向量机核函数和参数的选择,而钟差序列是非线性非平稳序 列,固定的核函数和参数难W满足所有频率分量,因此单一的预测算法难W满足要求。

【发明内容】

[0004] 为进一步提高对原子钟钟差数据的预测精度,为提高原子时时标精度和原子钟驾 驭精度提供依据,本文根据氨原子钟钟差特性、地面原子钟钟差数据与卫星钟钟差数据W 及与日长数据的相似性,针对已有的预测方法的不足,提出了一种基于经验模态分解(EMD) 和支持向量机(SVM)的钟差组合预测模型。
[0005] 该算法首先对钟差序列进行经验模态分解,分离出钟差序列中的各频率分量部分 即固有模态函数,则原始钟差序列被分解为
其中X(t)为钟差序列,Ci(t)为 固有模态函数,N为固有模态个数,r(t)为剩余分量。然后利用支持向量机对各分量进行 预测,因为钟差是非线性了,先由内积函数定义的非线性变换将输入空间变换到高维空间, 然后在该个高维空间中确定输入变量和输出变量之间的非线性关系。定义给定的训练集 为{(Xu(t〇),Yu(t〇)),(Xu(t〇+T),Yu(t〇+T)),…(X" (t〇+m?T),Yu(t〇+m?T))},其中 x",y"GR。支持向量机的拟合函数为:
[0006]y=f(X) = ? ? (Hx)+b(1)
[0007] 其中《表示权重,b表示偏差,M?)是非线性映射函数,它可W用核函数代替。 [000引为了确定式(1)的平坦,必须找出最小的《。该个问题可W表示为凸优化问题即:
[0009]
(2)
[0010] 约束条件为:
[0011]
(3)
[0012] 其中e是损失函数,为了确定《和b,需要引入两个松弛变量Ci,公。同时,式 似转换为:
[0013]
(4)
[0014] 其中C是个正常数,C的值越大,数据的拟合程度越高。
[0015] 最后,通过引入拉格朗日乘子,式(1)转换为:
[0016]
(5)
[0017]那么,凸优化问题可W简化为二次型系数为ai和a,4勺最大化二次型问题,即;
[001 引
[0019] 理论上,边界上的点可W确定唯一的预测误差A=巧跨。从稳定度考虑, 可W采用对边界上的所有值的平均来得到b。
[0020]
(7)
[0021] 最后对各预测分量进行叠加得到预测结果。并与一元线性预测算法和单一的支持 向量机的预测算法进行了比较,并用相对预测误差和哈德玛方差0h/( 5)来对数据进 行分析
[0022]
(8)
[0023] 其中y康示预测值A表示真实值;
[0024]
(9)
[002引其中,T为时间间隔,Z为数据点。对结果进行分析。研究结果表明,比一元线 性预测算法和单一的支持向量机预测算法预测误差都小,相对预测误差从0.4327%降为 0.2371%,预测误差离散型也小,具有实用价值。
[0026] 本发明的特征如下:
[0027] (1)能够对钟差数据进行经验模态分解,提取出各个频率分量。
[002引 (2)能够根据每个分量的特征动态选择最佳的核函数和参数。
[0029] (3)对氨原子钟差预测中,首次将经验模态分解和支持向量机进行组合,同时经验 模态分解为后续的去噪工作提供了基础。
[0030] 与现有技术相比,本发明具有W下有益效果:
[0031] 本发明提出了一种基于EMD和SVM的组合预测模型,该方法与现行的SVM预测算 法和一次线性回归预测算法相比,其氨钟钟差预测误差更小,数据更加平稳,为提高氨原子 钟的原子时标和驾驭精度提供了更高的依据。
【附图说明】
[0032] 图1经验模态分解流程图;
[0033] 图2经验模态分解和支持向量机组合预测流程图;
[0034] 图3-1经验模态分解图;
[003引 图3-2对imfl预测结果图;图3-3对imf2预测结果图;
[0036] 图3-4对imf3预测结果图;图3-5对imf4预测结果图;
[0037] 图3-6 =种方法预测结果对比图;图3-7 =种方法预测结果误差图;
【具体实施方式】
[003引如图1~3-7所示,一种基于经验模态分解和支持向量机的钟差预测方法,该方法 实现步骤如下,
[0039] (1)找出原始钟差数据的x(t)的所有极大值,并用=次样条插值函数拟合形成原 始数据的上包络线6m(t)。
[0040] (2)找出原始钟差数据的x(t)的所有极小值,并用=次样条插值函数拟合形成原 始数据的下包络线e"(t)。
[0041] (3)计算上下包络的平均值m(t) = (em(t)+en(t))/2。
[0042] (4)令h(t) =x(t)-m(t),判断h(t)是否是IMF分量,如果是,则Ci(t) =h(t) 如果不是,则h(t)视为新的信号x(t)重复第一步。
[0043]妨从原始数据分离出IMF分量Cl(t), x(t)-Cl(1:)得到剩
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1