利用經驗模態分解提高極移預報精度
摘要：經驗模態分解(Empirical Mode Decomposition,EMD)是一種數據驅動的自適應非線性、非平穩信號分解方法。為提高極移預報精度,將經驗模態分解應用于極移預報中。首先利用經驗模態分解方法對極移序列進行分解,獲得極移的高頻分量和低頻分量;然后采用最小二乘(Least Squares,LS)外推模型對極移低頻分量進行擬合,獲得最小二乘擬合殘差;其次采用自回歸(Autoregressive,AR)模型對極移高頻分量和最小二乘擬合殘差之和進行建模預報;最后將最小二乘模型和自回歸模型外推值相加獲得極移預報值。將經驗模態分解和LS+AR組合模型預報結果與LS+AR模型預報以及地球定向參數預報比較競賽(Earth Orientation Parameters Prediction Comparison Campaign,EOP PCC)的預報結果進行比較,結果表明,將經驗模態分解應用于極移預報中,可以明顯改善極移預報精度。
注: 保護知識產權,如需閱讀全文請聯系天文研究與技術雜志社
相關推薦
更多
