СТАТЬЯ

МУЛЬТИВЕЙВЛЕТНАЯ ПОЛИМОРФНАЯ СЕТЬ ДЛЯ ПРОГНОЗИРОВАНИЯ ГЕОФИЗИЧЕСКИХ ВРЕМЕННЫХ РЯДОВ

Авторы

Наталья Михайловна Лыченко Институт машиноведения и автоматики Национальной академии наук Кыргызской Республики
Верзунов С.Н. Институт автоматики и информационных технологий НАН КР

Ключевые слова:

прогнозирование хаотических временных рядов, параметры вращения Земли, мультивейвлетная полиморфная сеть, превышение продолжительности суток, полиморфный SLOG вейвлет.

Аннотация

В работе предложена мультивейвлетная полиморфная сеть для прогнозирования геофизических временных рядов на примере хаотической составляющей временного ряда вариаций превышения продолжительности суток.

Библиографические ссылки

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).