THE ARTICLE

MULTI-WAVELET POLYMORPHOUS NETWORK FOR FORECASTING GEOPHYSICAL TIME SERIES

Authors

Nataliya M. Lychenko Machinery researching and Аutomatics Institute of Kyrgyz Republic National Academy of Science
Verzunov S.N. Institute of Automation and Information Technologies of the National Academy of Sciences of the Kyrgyz Republic

Keywords:

chaotic time series forecasting, Earth rotation parameters, multiwavelet polymorphic network, day length exceedance, polymorphic SLOG wavelet.

Abstract

The paper proposes a multiwavelet polymorphic network for predicting geophysical time series using the example of the chaotic component of the time series of day length variations.

References

LeiYu, ZhaoDanning, Cai Hongbing Prediction of length-of-day using extreme learning machine // Geodesy and geodynamics. – 2015 V. 6, N. 2. – P. 151–159.

Горшков В.Л. О методах прогнозирования в геодинамике // Известия ГАО РАН. – 2004. – № 2. – С. 365–378.

Ритмы и детерминированный хаос в геофизических временных рядах / В. Б. Смирнов, А. В. Пономарев, Q. Jiadong, А. С. Черепанцев // Физика Земли. – 2005. – № 6. – С. 6–28.

Чепенко Т.Е. Методы прогнозирования временных рядов на основе искусственных нейронных сетей с элементами временной задержки // Автоматизированные системы управления и приборы автоматики. – 2011. – № 157. – С. 41–48.

Литвиненко В.И. Прогнозирование нестационарных временных рядов с помощью синтезируемых нечетких нейронных сетей // Автоматика. Автоматизація. Електротехнічні комплекси та системи. – 2008. – № 1. С. 64–72.

Boubacar Doucoure, Kodjo Agbossou, Alben Cardenas Time series prediction using artificial wavelet neural network and multi-resolution analysis: Application to wind speed data // Renewable Energy. – 2016. – V. 92. – P. 202–211.

K. K. Minu, M. C. Lineeshand C. Jessy John Wavelet Neural Networks for Nonlinear Time Series Analysis // Applied Mathematical Sciences. – 2010. – V. 4, N. 50. – P. 2485–2495.

Alexandridis Antonisand, Zapranis Achilleas Wavelet neural networks: with applications in financial engineering, chaos, and classification. – New Jersey, USA: John Wiley & Sons, 2014. – 264 pp.

Cao, L., Hong, Y., Fang, H., He, G. Predicting chaotic time series with wavelet networks // Physica D. – 1995. – N. 85. – P. 225–238.

Мильков Д.А., Макаренко Н.Г., Малкин З.М. Прогноз параметров вращения Земли методом нейрокомпьютинга // «Известия Главной астрономической обсерватории в Пулкове». – 2010. – № 219, вып. 4. – С. 235–239.

Kalarus M., Schuh H., Kosek W., Akyilmaz O., Bizouard Ch. Achievements of the Earth orientation parameters prediction comparison campaign // J Geodyn. – 2010. – N. 84. – P. 587–596.

Zhao J., Chen B., Shen J. Multidimensional non-orthogonal wavelet-sigmoid basis function neural network for dynamic process fault diagnosis // Computers and Chemical Engineering. – 1998. – N. 23. – P. 83–92.

Верзунов С.Н. Аппроксимация зашумлённых сигналов многослойной нейронной и полиморфной вейвлет-сетями // Проблемы автоматики и управления. – 2014. – № 2(27). – C. 62–71.

https://hpiers.obspm.fr/eoppc/eop/eopc04/eopc04.62-now (дата обращения: 20.11.2016).

http://hpiers.obspm.fr/eop-pc/models/UT1/UT1LOD_marees.php

(дата обращения: 11.12.2016).