样本输入方式对极端学习机预报日长变化的影响∗ 雷雨;蔡宏兵;赵丹宁 【期刊名称】《天文研究与技术－国家天文台台刊》 【年(卷),期】2015(000)003 【摘 要】针对极端学习机( Extreme Learning Machine, ELM)用于日长( Length-Of-Day, LOD)变化预报过程中,样本输入方式对预报结果的影响进行了研究。采用跨度、连续和迭代3种样本输入方式对日长变化进行预报。结果表明,不同的样本输入方式对预报结果有很大影响,样本按跨度输入的预报精度最低；样本采用连续输入方式在短期和中长期预报中预报精度较高,但计算速度较慢,较适合中长期预报；样本按迭代输入方式的短期预报精度稍优于连续输入方式,而中长期预报精度则不如连续输入方式,但具有较高的预报效率。这对于日长变化的实时快速预报有着较高的现实意义。%In this paper we investigate effects of training patterns on predictions of varations of Lenth Of Day ( LOD) by an Extreme Learning Machine ( ELM) neural network. We first discuss three types of training patterns, which are named as interval patterns, continuous patterns, and iterative patterns, respectively. We then present comparisons of the accuracies of the predictions using training patterns of the three types. We have found that results of using interval patterns are the worst;using iterative patterns can yield more accurate short-term predictions ( of 1 day to 30 days away) as compared to using continuous patterns, but the situation is reversed in medium-term predictions (of 30 days to 360 days away). As for compution efficiencies, using iterative patterns is noticeably faster than using either of the other two patterns. Iterative patterns are thus suitable for real-time predictions of varations of LOD, while continuous patterns are suitable for medium-term predictions of varations of LOD. Efficiencies and accuracies are the primary concerns in these two types of predictions, respectively. 【总页数】7页(P299-305) 【作 者】雷雨;蔡宏兵;赵丹宁 【作者单位】中国科学院国家授时中心，陕西 西安 710600; 中国科学院时间频率基准重点实验室，陕西 西安 710600; 中国科学院大学，北京 100049;中国科学院国家授时中心，陕西 西安 710600; 中国科学院时间频率基准重点实验室，陕西 西安 710600;中国科学院国家授时中心，陕西 西安 710600; 中国科学院大学，北京 100049 【正文语种】中 文 【中图分类】P227.1 【相关文献】 1.利用灰色关联极限学习机预报日长变化 [J], 雷雨;蔡宏兵;赵丹宁; 2.利用灰色关联极限学习机预报日长变化 [J], 雷雨;蔡宏兵;赵丹宁 3.两种样本输入方式下基于GRNN的日长变化预报结果的比较 [J], 张晓红;王琪洁;朱建军;张昊 4.基于极端学习机的NOx预测模型样本特性研究 [J], 申志文;李庆伟 5.基于极端学习机的NOx预测模型样本特性研究 [J], 申志文;李庆伟 因版权原因，仅展示原文概要，查看原文内容请购买 本文来源：https://www.wddqw.com/doc/bac346c66b0203d8ce2f0066f5335a8102d26625.html