机器学习在趋势预测中的研究及应用

本文将机器学习算法应用于卫星关键参数趋势预测中，主要有如下几部分: (1)针对卫星关键参数受噪声影响、数据缺失以及机器学习预测模型选择问题，分 析比较了几种常用方法和3种评价指标,提出了基于BAS优化的自适应小波阈值去噪算 法，实验数据表明该算法可行且有效。 (2)利用浅层学习模型中的快速学习网络(FLN)、Elman神经网络以及回声状态 网络(ESN)实现趋势预测。针对传统ESN当前时刻的状态值与前一时刻的状态值没有 直接关系，因此通过增加调节参数β来控制前一个时刻神经元的状态，提高ESN的记忆 能力。由于采用最小二乘回归法训练网络输出权值可能存在解的“奇异”问题，则采用 岭回归算法(Ridge Regression，RR)取代原有的线性回归方法，从而有效调节输出权值 的幅值。针对ESN网络参数的选择问题，利用樽海鞘群算法(SSA)获得ESN网络重 要参数的最优值，使得预测模型更加准确。 (3)针对单一模型对非线性、非平稳时间序列预测难以达到理想的预测精度，将改 进的集成经验模态分解(MEEMD)和长短时记忆网络(LSTM)结合形成MEEMD-LSTM 组合预测模型。