地磁变化场的MEEMD-样本熵-LSSVM预测模型

牛超; 李夕海; 易世华; 卢世坤; 刘代志

doi:10.13203/j.whugis20130261

美国《工程索引》（EI）核心期刊
美国《剑桥科学文摘》（CSA）收录期刊
荷兰斯高帕斯数据库（Scopus）收录期刊
英国INSPEC数据库（SA）收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

地磁变化场的MEEMD-样本熵-LSSVM预测模型

牛超, 李夕海, 易世华, 卢世坤, 刘代志

文章导航 > 武汉大学学报 ( 信息科学版) > 2014 > 39(5): 626-630

牛超, 李夕海, 易世华, 卢世坤, 刘代志. 地磁变化场的MEEMD-样本熵-LSSVM预测模型[J]. 武汉大学学报 ( 信息科学版), 2014, 39(5): 626-630. doi: 10.13203/j.whugis20130261

引用本文:

牛超, 李夕海, 易世华, 卢世坤, 刘代志. 地磁变化场的MEEMD-样本熵-LSSVM预测模型[J]. 武汉大学学报 ( 信息科学版), 2014, 39(5): 626-630. doi: 10.13203/j.whugis20130261

NIU Chao, LI Xihai, YI Shihua, LU Shikun, LIU Daizhi. Forecasting Model of Geomagnetic Variation Field Based onModified Ensemble Empirical Mode Decomposition-SampleEntropy-Least Square Support Vector Machine[J]. Geomatics and Information Science of Wuhan University, 2014, 39(5): 626-630. doi: 10.13203/j.whugis20130261

Citation:

NIU Chao, LI Xihai, YI Shihua, LU Shikun, LIU Daizhi. Forecasting Model of Geomagnetic Variation Field Based onModified Ensemble Empirical Mode Decomposition-SampleEntropy-Least Square Support Vector Machine[J]. Geomatics and Information Science of Wuhan University, 2014, 39(5): 626-630. doi: 10.13203/j.whugis20130261

地磁变化场的MEEMD-样本熵-LSSVM预测模型

doi: 10.13203/j.whugis20130261

¹ 第二炮兵工程大学,陕西西安,710025

基金项目: 国家自然科学基金资助项目(41374154,40974037)

详细信息

作者简介:
牛超,博士,主要从事地磁信息处理、地磁导航等理论与方法研究。

中图分类号: P318.2

Forecasting Model of Geomagnetic Variation Field Based onModified Ensemble Empirical Mode Decomposition-SampleEntropy-Least Square Support Vector Machine

¹The Second Artillery Engineering University,Xi’an 710025,China

Funds: The National Natural Science Foundation of China,Nos.41374154,40974037.

More Information

Author Bio:
NIU Chao,PhD,specializes in geomagnetic navigation and geomagnetic information processing.

摘要: 目的针对地磁变化场时间序列的混沌特性,提出了一种改进的集成经验模态分解(modified ensemble em-pirical mode decomposition,MEEMD)-样本熵-最小二乘支持向量机(least square support vector machine,LSSVM)的地磁变化场预测模型。首先,利用MEEMD-样本熵将非平稳的地磁变化场时间序列分解为一系列复杂度差异明显的地磁变化场子序列;然后,针对每一个子序列分别建立LSSVM模型,选择各自适合的最优模型参数;最后,以地磁台站实测的地磁变化场数据为例进行实验,并与基于单一LSSVM以及RBF径向基神经网络的两种预测模型进行比较。实验结果表明,MEEMD-样本熵-LSSVM模型的预测值能紧跟地磁变化场的变化趋势,相比另外两种模型,体现出更好的预测效果,在地磁Kp指数小于3时,预测3h平均绝对误差为1.63nT。
- 地磁变化场 /
- 地磁辅助导航 /
- 改进的集成经验模态分解 /
- 样本熵 /
- 最小二乘支持向量机 /
- 预测模型
Abstract: Objective Modeling and forecasting of the geomagnetic variation field is the important research topic ofgeomagnetic navigation and space environment monitoring.According to the chaotic feature of geo-magnetic variation time series,a combined forecasting model based on modified ensemble empiricalmode decomposition(MEEMD)-sample entropy(SampEn)-least square support vector machine(LSS-VM)is proposed.Firstly,the geomagnetic variation time series is decomposed into a series of geo-magnetic variation subsequences with obvious differences in complex degree using MEEMD-SampEn.Then,the forecasting model of each subsequence is created with LSSVM using the optimal model pa-rameters.Finally,the simulation is performed by using the real data collected from the geomagneticobservatory.The results show that the forecasting value of the MEEMD-SampEn-LSSVM model canclosely keep up with the trend of geomagnetic variation field,and obviously better than the other twomodels.The mean absolute error of the model forecasting three hours is 1.63nT when Kplessthan 3.
- geomagnetic variation field /
- geomagnetic assistant navigation /
- modified ensemble empiri-cal mode decomposition /
- sample entropy /
- least square support vector machine /
- forecasting model

[1]	王乐洋, 孙坚强. 总体最小二乘回归预测模型的方差分量估计 . 武汉大学学报 ( 信息科学版), 2021, 46(2): 280-288. doi: 10.13203/j.whugis20180450
[2]	罗亦泳, 姚宜斌, 黄城, 张静影. 基于改进VMD的变形特征提取与分析 . 武汉大学学报 ( 信息科学版), 2020, 45(4): 612-619. doi: 10.13203/j.whugis20180286
[3]	秦占飞, 常庆瑞, 申健, 于洋, 刘佳岐. 引黄灌区水稻红边特征及SPAD高光谱预测模型 . 武汉大学学报 ( 信息科学版), 2016, 41(9): 1168-1175. doi: 10.13203/j.whugis20140516
[4]	魏博文, 熊威, 李火坤, 彭圣军, 徐镇凯. 融合混沌残差的大坝位移蛙跳式组合预报模型 . 武汉大学学报 ( 信息科学版), 2016, 41(9): 1272-1278. doi: 10.13203/j.whugis20140570
[5]	邓敏, 陈倜, 杨文涛. 融合空间尺度特征的时空序列预测建模方法 . 武汉大学学报 ( 信息科学版), 2015, 40(12): 1625-1632. doi: 10.13203/j.whugis20130842
[6]	雷雨, 赵丹宁, 李变, 高玉平. 基于小波变换和最小二乘支持向量机的卫星钟差预报 . 武汉大学学报 ( 信息科学版), 2014, 39(7): 815-819.
[7]	郭际明, 黄长军, 喻小东, 陈元洪. 一种改进的二维经验模态分解SAR图像噪声抑制方法 . 武汉大学学报 ( 信息科学版), 2013, 38(12): 1445-1450.
[8]	郑晖, 王勇, 王虎彪, 武凛. 地球重磁位场辅助水下潜艇导航仿真研究 . 武汉大学学报 ( 信息科学版), 2012, 37(10): 1198-1202.
[9]	卞光浪, 翟国君, 黄谟涛, 欧阳永忠. 顾及地磁背景场的多目标磁异常分量换算方法 . 武汉大学学报 ( 信息科学版), 2011, 36(8): 914-918.
[10]	赵建虎, 王胜平, 王爱学. 基于地磁共生矩阵的水下地磁导航适配区选择 . 武汉大学学报 ( 信息科学版), 2011, 36(4): 446-449.
[11]	邱卫宁, 齐公玉, 田丰瑞. 整体最小二乘求解线性模型的改进算法 . 武汉大学学报 ( 信息科学版), 2010, 35(6): 708-710.
[12]	赵建虎, 张红梅, 王爱学, 刘辉. 利用ICCP的水下地磁匹配导航算法 . 武汉大学学报 ( 信息科学版), 2010, 35(3): 261-264.
[13]	黄贤源, 翟国君, 隋立芬, 黄谟涛. 最小二乘支持向量机在海洋测深异常值探测中的应用 . 武汉大学学报 ( 信息科学版), 2010, 35(10): 1188-1191.
[14]	张路, 高志宏, 廖明生, 李新延. 利用多源遥感数据进行城市不透水面覆盖度估算 . 武汉大学学报 ( 信息科学版), 2010, 35(10): 1212-1216.
[15]	陆付民, 王尚庆, 李劲, 严学清. 顾及地下水位因子的卡尔曼滤波模型在滑坡变形预测中的应用 . 武汉大学学报 ( 信息科学版), 2010, 35(10): 1184-1187.
[16]	熊华, 刘耀林, 车珊珊, 张俊峰. 基于支持向量机的土地利用变化模拟模型 . 武汉大学学报 ( 信息科学版), 2009, 34(3): 366-369.
[17]	邓兴升, 花向红. 动态最小二乘支持向量机学习算法 . 武汉大学学报 ( 信息科学版), 2008, 33(11): 1122-1125.
[18]	徐芳, 梅文胜, 张志华. 航空影像分割的最小二乘支持向量机方法 . 武汉大学学报 ( 信息科学版), 2005, 30(8): 694-698.
[19]	耿继进. 灰色预测理论若干问题的研究 . 武汉大学学报 ( 信息科学版), 1994, 19(1): 57-62.
[20]	王欣, 方成勇, 唐小川, 戴岚欣, 范宣梅, 许强. 泸定Ms 6.8级地震诱发滑坡应急评价研究 . 武汉大学学报 ( 信息科学版), 0, 0(0): 0-0. doi: 10.13203/j.whugis20220586

点击查看大图

计量

文章访问数: 1198
HTML全文浏览量: 60
PDF下载量: 573
被引次数: 0

地磁变化场的MEEMD-样本熵-LSSVM预测模型

doi: 10.13203/j.whugis20130261

¹ 第二炮兵工程大学,陕西西安,710025

基金项目: 国家自然科学基金资助项目(41374154,40974037)

作者简介:
牛超,博士,主要从事地磁信息处理、地磁导航等理论与方法研究。

收稿日期: 2013-06-19
修回日期: 2014-05-05
刊出日期: 2014-05-05

中图分类号: P318.2

关键词:

样本熵 /

摘要: 目的针对地磁变化场时间序列的混沌特性,提出了一种改进的集成经验模态分解(modified ensemble em-pirical mode decomposition,MEEMD)-样本熵-最小二乘支持向量机(least square support vector machine,LSSVM)的地磁变化场预测模型。首先,利用MEEMD-样本熵将非平稳的地磁变化场时间序列分解为一系列复杂度差异明显的地磁变化场子序列;然后,针对每一个子序列分别建立LSSVM模型,选择各自适合的最优模型参数;最后,以地磁台站实测的地磁变化场数据为例进行实验,并与基于单一LSSVM以及RBF径向基神经网络的两种预测模型进行比较。实验结果表明,MEEMD-样本熵-LSSVM模型的预测值能紧跟地磁变化场的变化趋势,相比另外两种模型,体现出更好的预测效果,在地磁Kp指数小于3时,预测3h平均绝对误差为1.63nT。

English Abstract

Forecasting Model of Geomagnetic Variation Field Based onModified Ensemble Empirical Mode Decomposition-SampleEntropy-Least Square Support Vector Machine

¹The Second Artillery Engineering University,Xi’an 710025,China

Funds: The National Natural Science Foundation of China,Nos.41374154,40974037.

Author Bio:
NIU Chao,PhD,specializes in geomagnetic navigation and geomagnetic information processing.

Received Date: 2013-06-19
Rev Recd Date: 2014-05-05
Publish Date: 2014-05-05

Keywords:

Abstract: Objective Modeling and forecasting of the geomagnetic variation field is the important research topic ofgeomagnetic navigation and space environment monitoring.According to the chaotic feature of geo-magnetic variation time series,a combined forecasting model based on modified ensemble empiricalmode decomposition(MEEMD)-sample entropy(SampEn)-least square support vector machine(LSS-VM)is proposed.Firstly,the geomagnetic variation time series is decomposed into a series of geo-magnetic variation subsequences with obvious differences in complex degree using MEEMD-SampEn.Then,the forecasting model of each subsequence is created with LSSVM using the optimal model pa-rameters.Finally,the simulation is performed by using the real data collected from the geomagneticobservatory.The results show that the forecasting value of the MEEMD-SampEn-LSSVM model canclosely keep up with the trend of geomagnetic variation field,and obviously better than the other twomodels.The mean absolute error of the model forecasting three hours is 1.63nT when Kplessthan 3.

牛超, 李夕海, 易世华, 卢世坤, 刘代志. 地磁变化场的MEEMD-样本熵-LSSVM预测模型[J]. 武汉大学学报 ( 信息科学版), 2014, 39(5): 626-630. doi: 10.13203/j.whugis20130261

引用本文:

牛超, 李夕海, 易世华, 卢世坤, 刘代志. 地磁变化场的MEEMD-样本熵-LSSVM预测模型[J]. 武汉大学学报 ( 信息科学版), 2014, 39(5): 626-630. doi: 10.13203/j.whugis20130261

Citation:

NIU Chao, LI Xihai, YI Shihua, LU Shikun, LIU Daizhi. Forecasting Model of Geomagnetic Variation Field Based onModified Ensemble Empirical Mode Decomposition-SampleEntropy-Least Square Support Vector Machine[J]. Geomatics and Information Science of Wuhan University, 2014, 39(5): 626-630. doi: 10.13203/j.whugis20130261