违反了 PRIMARY KEY 约束 'PK_t_counter'。不能在对象 'dbo.t_counter' 中插入重复键。 语句已终止。 基于改进EMD算法和BP神经网络的SST预测研究-SST Forecast Based on BP Neural Network and Improved EMD Algorithm
doi:  10.3878/j.issn.1006-9585.2017.16180
基于改进EMD算法和BP神经网络的SST预测研究

SST Forecast Based on BP Neural Network and Improved EMD Algorithm
摘要点击 111  全文点击 153  投稿时间:2016-09-27  最后修改时间:2017-04-08
查看HTML全文   下载PDF   查看/发表评论  下载PDF阅读器
基金:  国家自然科学基金项目91530204、41430426。
中文关键词:  集合经验模态分解  互补集合经验模态分解  BP神经网络  海洋表面月平均温度  预测
英文关键词:  Ensemble empirical mode decomposition  Complementary Ensemble Empirical Mode Decomposition  BP neural network model  Monthly mean sea surface temperature  Prediction
           
作者中文名作者英文名单位
李嘉康LI Jiakang中国人民解放军理工大学理学院, 南京 211101
赵颖ZHAO Ying中国人民解放军理工大学理学院, 南京 211101
廖洪林LIAO Honglin中国人民解放军理工大学理学院, 南京 211101
李其杰LI Qijie中国人民解放军理工大学理学院, 南京 211101
引用:李嘉康,赵颖,廖洪林,李其杰.2017.基于改进EMD算法和BP神经网络的SST预测研究[J].气候与环境研究,22(5):587-600,doi:10.3878/j.issn.1006-9585.2017.16180.
Citation:LI Jiakang,ZHAO Ying,LIAO Honglin,LI Qijie.2017.SST Forecast Based on BP Neural Network and Improved EMD Algorithm[J].Climatic and Environmental Research(in Chinese),22(5):587-600,doi:10.3878/j.issn.1006-9585.2017.16180.
中文摘要:
      海洋表面温度(Sea Surface Temperature,SST)具有非平稳、非线性的特征,直接将处理平稳数据序列的方法应用到非平稳非线性特征明显的序列上显然是不合适的,预测的误差将会很大。为了提高预测精度,更好地解决非平稳非线性序列预测的问题,本文以东北部太平洋(40°N~50°N、150°W~135°W)区域的月平均海洋表面距平温度为例,首先分别应用集合经验模态分解(EEMD)和互补集合经验模态分解(CEEMD)方法将SST分解为不同尺度的一系列模态分量(IMF),再运用BP(Back Propagation)神经网络模型对每一个模态分量进行分析预测,最后将各IMF预测结果进行重构得到SST的预测值。数值试验的结果表明,CEEMD分解精度比EEMD分解精度高,CEEMD提高了基于BP神经网络的预测精度。系列试验统计分析说明应用这种方法对SST的1年预测是有效的。
Abstract:
      Monthly mean sea surface temperature (SST) is characterized by non-stationary and nonlinear feature. It is obviously unreasonable to apply linear data processing methods directly to non-stationary and nonlinear time series, which would produce large prediction errors. In order to improve the prediction accuracy and better address the non-stationary and nonlinear sequence prediction problem, in this paper, we present an example based on monthly mean SST anomalies (SSTA) of the Northeast Pacific (40°N-50°N, 150°W-135°W). We first use ensemble empirical mode decompose (EEMD) and complementary ensemble empirical mode decomposition (CEEMD) to decompose monthly mean SST into a series of Intrinsic Mode Function (IMF). BP (Back Propagation) neural network model is then utilized to predict each IMF. Finally, the forecast results of each IMF are reconstructed to obtain the predicted value of monthly mean SST. Results of the experiment indicate that the accuracy of CEEMD is better than that of EEMD, and CEEMD has improved the forecast accuracy based on BP neural network. Statistical analysis of the results of a series of experiments shows that this method is effective for SST prediction at the 1-year scale.
主办单位:中国科学院大气物理研究所 单位地址:北京市9804信箱
联系电话: 010-82995048,010-82995049传真:010-82995048 邮编:100029 Email:qhhj@mail.iap.ac.cn
本系统由北京勤云科技发展有限公司设计
京ICP备09060247号