针对于BP神经网络预测模型，收敛速度慢，精度较低，容易陷入局部极小值等缺点，提出了一种改进粒子群优化BP神经网络预测模型的算法。在该算法中，粒子群采用改进自适应惯性权重和改进自适应加速因子优化BP神经网络预测模型的初始权值和阈值，然后训练BP神经网络预测模型并预测。将该算法应用到几个典型的混沌时间序列预测。实验结果表明，该算法明显提高BP神经网络预测模型的收敛速度和预测模型的精度，减少陷入局部极小的可能。
2021-08-10 22:18:38
771KB
1
全球导航卫星系统 (GNSS) 在测量精度和准确性，它允许研究人员进行地球动力学和通过分析 GNSS 时间序列进行地球物理学研究。 此外，GNSS 时间序列不仅包含地球物理信号，但也包含未建模的错误和其他干扰参数，这些参数会影响估计站点坐标和相关参数的性能。 作为全球数量分布式GNSS参考站增加，应开发GNSS时间序列分析软件具有更灵活的格式支持，更好的人机交互以及强大的噪音还原分析。 为了满足这一要求，一款名为 GNSS 时间序列降噪的新软件软件（GNSS-TS-NRS）是用MATLAB编写和开发的。 GNSS-TS-NRS 允许用户对共模误差执行降噪分析和空间滤波，并可视化GNSS 位置时间序列。 介绍了GNSS-TS-NRS功能的相关理论背景。 首先，我们展示了降噪分析的理论背景算法（经验模式分解（EMD），集成经验模式分解（EEMD））。 我们还开发了三种基于EMD降噪的改进算法，
2021-08-08 15:35:00
27.9MB
1
16.1 时序模式
就餐饮企业而言，经常会碰到这样的问题：
由于餐饮行业是生产和销售同时进行的，因此销售预测对于餐饮企业十分必要。如何基于菜品历史销售数据，做好餐饮销售预测？以便减少菜品脱销现象和避免因备料不足而造成的生产延误，从而减少菜品生产等待时间，提供给客户更优质的服务，同时可以减少安全库存量，做到生产准时制，降低物流成本。
餐饮销售预测可以看作是基于时间序列的短期数据预测，预测对象为具体菜品销售量。
常用按时间顺序排列的一组随机变量12,,,tXXX 来表示一个随机事件的时间序列，简记为{}tX；用12,,,nxxx或{,1,2,,}txtn=表示该随机序列的n个有序观察值，称之为序列长度为n的观察值序列。
本章应用时间序列分析的目的就是给定一个已被观测了的时间序列，预测该序列的未来值。
16.1.1时间序列算法
常用的时间序列模型见表16-1。
2021-08-08 13:07:18
722KB