CN112613222B - 基于改进粒子滤波的倾斜探测电离层muf短期预报方法 - Google Patents
基于改进粒子滤波的倾斜探测电离层muf短期预报方法 Download PDFInfo
- Publication number
- CN112613222B CN112613222B CN202110002711.2A CN202110002711A CN112613222B CN 112613222 B CN112613222 B CN 112613222B CN 202110002711 A CN202110002711 A CN 202110002711A CN 112613222 B CN112613222 B CN 112613222B
- Authority
- CN
- China
- Prior art keywords
- particles
- particle
- weight
- algorithm
- short
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002245 particle Substances 0.000 title claims abstract description 163
- 238000001914 filtration Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000012952 Resampling Methods 0.000 claims abstract description 35
- 230000006854 communication Effects 0.000 claims abstract description 21
- 238000004891 communication Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 230000015556 catabolic process Effects 0.000 claims abstract description 10
- 238000006731 degradation reaction Methods 0.000 claims abstract description 10
- 239000005433 ionosphere Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000003094 perturbing effect Effects 0.000 claims description 2
- 238000013277 forecasting method Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明涉及短波通信技术领域,特别涉及一种基于改进粒子滤波的倾斜探测电离层MUF短期预报方法,包括对***进行初始化;使用无迹卡尔曼滤波算法进行重要性采样,抽取粒子,并进行权重更新;判断是否重采样,如果需要重采样,则通过随机扰动重采样算法获得重采样后的粒子集和对应权值;根据获取的权重和粒子群进行状态更新;当估算值没有超过阈值,循环次数加一,返回继续使用无迹卡尔曼滤波算法进行重要性采样,否则输出当前粒子群作为预报结果;本发明克服了粒子算法的粒子退化和多样性不足、计算量大的问题,能胜任非线性、非高斯的***状态模型,在实际站点进行短波通信测试时,频率预报精度高,能达到87%以上的连通率。
Description
技术领域
本发明涉及短波通信技术领域,特别涉及一种基于改进粒子滤波的倾斜探测电离层MUF短期预报方法。
背景技术
电离层是随时间高度变化的复杂***,它对短波天波的传播、地空和星间信息链路以及空间平台的运行有着至关重要的影响力,是链路的中间介质,也受太阳辐射、大气环流和地磁环境等多种因素的影响。准确得到实际通信过程中的最大可用频率(MaximumUsable Frequency,MUF),在短波通信以及电离层探测中具有重要的意义。
电离层的频率预测也主要是分为两种,长期预报和短期预报,短期预报相比于长期预报,预测精度更好,适用性更强,它是根据电离层短期内存在着相对稳定的特性,结合实测数据,通过算法预报出短期电离层的变化情况。这也导致近几十年来电离层预报的发展趋势也是逐步从长期预报向短期预报发展。
现有技术中的短期预报均是运用于垂直探测电离层foE、foF2、M(3000)F2等特性参数的预测,并不是具体通信链路中实际最大通信频率的预测。由于目前倾斜电离层脉冲探测技术的日益成熟,加之倾斜探测站点的建设速度快于垂直探测站,于是利用倾斜数据进行短波频率预报也就成为了目前的研究趋势。通过对目前出现的短波电离层频率预报方法进行研究,当前存在的主要问题如下:
(1)粒子滤波算法的粒子退化和多样性不足。是由于先验分布产生的粒子不一定能反映真实分布以及重采样中大量复制粒子会导致粒子多样性下降。
(2)重采样技术效率低。多项式重采样、残差重采样分层重采样和***重采样等重采样技术,能够解决粒子权重退化的问题,但粒子的多样性依然缺失。
(3)只适用于线性***。由于电离层复杂多变,频率变化假设为线性,均是理想的情况,跟实际不符;传统一些方法,如卡尔曼滤波短期预报方法就会失效。
(4)预报精度低和通信连通率差。大部分电离层短期预报方法依靠经验模型,把预报结果运用在实际短波通信链路中,连通率达不到一般使用标准。
发明内容
为了解决粒子退化严重、粒子多样性不足、预报精度低、通信连通率差、只适用于非线性***的改进粒子滤波短期预报电离层MUF,本发明提出一种基于改进粒子滤波的倾斜探测电离层MUF短期预报方法,具体包括以下步骤:
对***进行初始化,令循环次数k=1;
使用无迹卡尔曼滤波算法进行重要性采样,获得和Pk;
根据抽取粒子,并进行权重更新;
判断是否重采样,如果需要重采样,则通随机扰动重采样算法获得重采样后的粒子集和对应权值;
根据获取的权重和粒子集进行状态更新;
当估算值没有超过阈值时,循环次数加一,返回继续使用无迹卡尔曼滤波算法进行重要性采样,否则输出当前粒子群作为预报结果;
其中,为k时刻状态估计,Pk为k时刻状态估计方差;/>为k时刻的状态粒子集,且该时刻粒子集中各个粒子状态服从于均值为/>方差为Pk的正态分布。
进一步的,对***进行初始化包括:
其中,为初始的粒子集合;/>为初始粒子集合的数学期望;E[]表示求期望;P0为初始方差。
进一步的,通随机扰动重采样算法获得重采样后的粒子集和对应权值的过程包括:
将粒子集Xk按照权值降序排列为βk;
根据权重大小从βk中取出有效粒子,即将超过粒子权重平均值的粒子视为有效粒子,否则为退化粒子;
使用扰动粒子替换退化粒子,然后更新粒子权值。
进一步的,从βk中取出有效粒子,有效粒子在βk中的序号计算包括:
n=count(Neff);
其中,n为有效粒子的数量,即βk中序号1~n为有效粒子;count()表示集合统计,Neff为有效粒子的集合。
进一步的,扰动粒子表示为:
其中,为k时刻的状态粒子集,且该时刻粒子集中各个粒子状态服从于均值为方差为Pk的正态分布,Xm为该时刻前n个有效粒子的平均值;Mk代表随机扰动,且Mk~N(0,σM),即随机扰动Mk符合均值为0、方差为σM的正态分布;1~n为有效粒子的序号,n+1~N为退化粒子的序号。
进一步的,第m个退化粒子的方差σM表示为:
其中,α为扰动的缩放参数。
进一步的,更新粒子权值表示为:
其中,为当前时刻各个粒子/>的权重,N为有效粒子和扰动粒子的数量之和,扰动粒子的序号为n+1~N。
进一步的,根据获取的权重和粒子集进行状态更新包括:
本发明的优点及有益效果如下:
1、克服了粒子算法的粒子退化和多样性不足。采用无迹卡尔曼滤波算法获得的建议分布来产生粒子算法的粒子集,然后采用随机扰动重采样算法优化粒子算法的重采样过程;
2、减少了计算量。在进行重采样时,只对保留下来的有效粒子进行处理,一定程度上减小了粒子滤波算法的计算量;
3、适用于非线性***。由于电离层复杂多变,频率变化是表现为非线性和非高斯性的,而改进粒子滤波算法能胜任任意非线性模型,符合实际变化的特点;
4、预报精度高、通信连通率强。把预报结果运用在实际短波通信链路中,选取算法预报的电离层MUF频点的85%作为测试频点,在重庆至广州(1000公里)短波通信链路上进行测试分析,每30分钟呼叫一次,重庆至广州24小时可通率高于90%,每10分钟呼叫一次,重庆至广州24小时可通率高于87%。
附图说明
图1是本发明提供的改进粒子滤波倾斜探测电离层MUF短期预报流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提出一种基于改进粒子滤波的倾斜探测电离层MUF短期预报方法,如图1,在现有的粒子滤波的基础上,进行以下步骤改进:
对***进行初始化,令循环次数k=1;
使用无迹卡尔曼滤波算法进行重要性采样,获得和Pk;
抽取粒子集进行权重更新;
判断是否重采样,如果需要重采样,则通随机扰动重采样算法获得重采样后的粒子集和对应权值;
根据获取的权重和粒子集进行状态更新;
当估算值没有超过阈值时,循环次数加一,返回继续使用无迹卡尔曼滤波算法计算,否则输出当前粒子群作为预报结果;对***进行初始化;
使用无迹卡尔曼滤波算法进行重要性采样,获得和Pk,0<k<T,T为最大迭代次数;
根据抽取粒子,并进行权重更新;
判断是否重采样,如果需要重采样,则通随机扰动重采样算法获得重采样后的粒子集和对应权值;
根据获取的权重和粒子集进行状态更新;
当循环次数未达到最大时,循环次数加1,返回继续使用无迹卡尔曼滤波算法进行重要性采样,否则输出当前粒子群作为预报结果;
其中,为k时刻状态估计,Pk为k时刻状态估计方差;/>为k时刻的状态粒子集,且该时刻粒子集中各个粒子状态服从于均值为/>方差为Pk的正态分布。
对于传统PF算法存在粒子退化和粒子多样性不足的问题,是由于先验分布产生的粒子不一定能反映真实分布以及重采样中大量复制粒子导致粒子多样性下降。因此本发明从两个方面对PF算法进行改进:重采样算法和重要性函数的选择。
在重要性函数的选择方面,本发明采用无迹卡尔曼滤波算法获得的分布作为重要性函数,无迹卡尔曼滤波算法的核心思想是利用无迹变换在估计点附近确定采样点,用这些样本点表示的高斯分布来近似状态的概率密度函数。通过无迹卡尔曼滤波获得的分布能够更加接近真实分布,因此PF通过该分布获得的粒子集能够更加接近真实分布,可以减缓PF的粒子退化问题。
PF算法在循环迭代运算时,可能导致粒子的权重变得过于集中,少数几个粒子的权重会大于其他所有粒子权重之和,这时除了几个权重较大的粒子之外,其他粒子对***状态的先验分布几乎没有影响,这就导致滤波器难以对***状态进行精确估计,且预测结果存在较大的随机性,于是需要重采样。
本发明采用权重较大的粒子代替权重较小的粒子,以此保证不同粒子之间权重相对平均,从而避免权重过度地集中于一个或几个粒子之上。但是不断地采用权重较大的粒子替代权值较小的粒子,会导致粒子变得很相似,多次重采样之后的粒子很可能都是从少数几个“优质”粒子继承而来。虽然各个粒子的权重较为均匀,然而由于各个粒子高度相似,依然不能很好的表示***状态的概率分布,无法从根本上解决问题,因此对重采样进行改进,采用随机扰动重采样算法。
对于重采样算法,本发明采用随机扰动重采样算法,具体步骤如下:
将粒子集Xk按照权值降序排列为βk;
从βk中取出n个有效粒子,包括:
n=count(Neff);
式中count(*)为集合统计,Neff为有效粒子的集合,n为有效粒子的数量,1~n为βk中有效粒子的序号。表示排列βk中顺序为i的粒子;
使用扰动粒子替换退化粒子,表示为:
其中,Mk代表随机扰动,且Mk~N(0,σM),α为扰动的缩放参数,值越大代表扰动越大,用户根据实际情况进行设置,一般取0<α<1;
更新粒子权值,即:
在采用无迹卡尔曼滤波算法获得的分布作为重要性函数的基础上,结合上述随机扰动重采样方法,得到改进粒子滤波算法。改进粒子滤波算法使用无迹卡尔曼滤波产生的建议分布作为算法的重要性函数,使用随机扰动重采样算法实现粒子集的重采样,达到克服粒子退化、增加粒子多样性的效果,并在一定程度上减小计算量。实现的完整步骤如下:
对***进行初始化,表示为:
使用无迹卡尔曼滤波算法进行重要性采样,获得和Pk;
抽取粒子集进行权重更新;
判断是否重采样,如果需要重采样,则通随机扰动重采样算法获得重采样后的粒子集和对应权值;
进行状态估计,具体包括:
当循环次数k小于设定的循环周期T,令k=k+1,返回到继续使用无迹卡尔曼滤波算法进行重要性采样进行循环,否则终止循环,结束整个流程。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.基于改进粒子滤波的倾斜探测电离层MUF短期预报方法,其特征在于,利用倾斜电离层脉冲探测技术探测得到的倾斜数据,通过改进粒子滤波预测通信链路中最大通信频率,即将倾斜数据作为状态量预测通信链路中最大通信频率,改进的粒子滤波在传统粒子滤波的基础上对重采样算法和重要性函数的选择进行改进,包括以下步骤:
对***进行初始化,令循环次数k=1;
使用无迹卡尔曼滤波算法对利用倾斜电离层脉冲探测技术探测得到的倾斜数据进行重要性采样,获得和Pk;
根据从重要性采样过程中得到的数据中抽取粒子,并进行权重更新;随机扰动重采样算法获得重采样后的粒子集和对应权值的过程包括:
将粒子集Xk按照权值降序排列为βk;
根据权重大小从βk中取出有效粒子,即将超过粒子权重平均值的粒子视为有效粒子,否则为退化粒子;
使用扰动粒子替换退化粒子,然后更新粒子权值;扰动粒子表示为:
其中,为k时刻的状态粒子集,且该时刻粒子集中各个粒子状态服从于均值为/>方差为Pk的正态分布,Xm为该时刻前n个有效粒子的平均值;Mk代表随机扰动,且MkN(0,σM),即随机扰动Mk符合均值为0、方差为σM的正态分布;1~n为有效粒子的序号,n+1~N为退化粒子的序号;
判断是否需要重采样,如果需要重采样,则通随机扰动重采样算法获得重采样后的粒子集和对应权值;更新粒子权值表示为:
其中,为当前时刻各个粒子/>的权重,N为有效粒子和扰动粒子的数量之和;
根据获取的权重和粒子群进行状态更新,具体包括:
其中,为当前时刻各个粒子/>的权重;N为有效粒子和扰动粒子的数量之和;
当估算值没有超过阈值,循环次数加一,返回继续使用无迹卡尔曼滤波算法进行重要性采样,否则输出当前粒子群作为预报结果,该预报结果即为通信链路中最大通信频率;
其中,为k时刻状态估计,Pk为k时刻状态估计方差;/>为k时刻的状态粒子集,且该时刻粒子集中各个粒子状态服从于均值为/>方差为Pk的正态分布。
2.根据权利要求1所述的基于改进粒子滤波的倾斜探测电离层MUF短期预报方法,其特征在于,对***进行初始化包括:
其中,x0为初始的粒子集合;为初始粒子集合的期望;E[]表示求期望;P0为初始方差。
3.根据权利要求1所述的基于改进粒子滤波的倾斜探测电离层MUF短期预报方法,其特征在于,从βk中取出有效粒子,有效粒子在βk中的序号计算包括:
n=count(Neff);
其中,n为有效粒子的数量;count()表示集合统计,Neff为有效粒子的集合。
4.根据权利要求1所述的基于改进粒子滤波的倾斜探测电离层MUF短期预报方法,其特征在于,方差σM表示为:
其中,α为扰动的缩放参数,为k时刻的状态粒子集,Xm为该时刻前n个有效粒子的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110002711.2A CN112613222B (zh) | 2021-01-04 | 2021-01-04 | 基于改进粒子滤波的倾斜探测电离层muf短期预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110002711.2A CN112613222B (zh) | 2021-01-04 | 2021-01-04 | 基于改进粒子滤波的倾斜探测电离层muf短期预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613222A CN112613222A (zh) | 2021-04-06 |
CN112613222B true CN112613222B (zh) | 2023-09-15 |
Family
ID=75253733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110002711.2A Active CN112613222B (zh) | 2021-01-04 | 2021-01-04 | 基于改进粒子滤波的倾斜探测电离层muf短期预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613222B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115291241B (zh) * | 2022-08-29 | 2024-04-26 | 太原理工大学 | 一种基于SLAM的针对辐射工厂的α/β辐射地图构建方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101753513A (zh) * | 2010-01-21 | 2010-06-23 | 复旦大学 | 一种基于多项式预测模型的多普勒频率和相位估计方法 |
CN103684350A (zh) * | 2013-12-04 | 2014-03-26 | 北京理工大学 | 一种粒子滤波方法 |
CN104616318A (zh) * | 2015-01-22 | 2015-05-13 | 重庆邮电大学 | 一种视频序列图像中的运动目标跟踪方法 |
CN106908762A (zh) * | 2017-01-12 | 2017-06-30 | 浙江工业大学 | 一种针对uhf‑rfid***的多假设ukf目标跟踪方法 |
CN109323695A (zh) * | 2018-10-29 | 2019-02-12 | 东南大学—无锡集成电路技术研究所 | 一种基于自适应无迹卡尔曼滤波的室内定位方法 |
CN110162871A (zh) * | 2019-05-16 | 2019-08-23 | 东北大学 | 一种基于无迹卡尔曼粒子滤波的电力***动态估计方法 |
CN110689108A (zh) * | 2019-09-19 | 2020-01-14 | 中国科学院长春光学精密机械与物理研究所 | 一种非线性***状态估计方法 |
CN111368403A (zh) * | 2020-02-24 | 2020-07-03 | 西安交通大学 | 一种自适应非线性退化剩余寿命预测方法 |
CN111526103A (zh) * | 2019-02-01 | 2020-08-11 | 中国科学院半导体研究所 | Pcma信号单通道盲分离方法 |
CN111542768A (zh) * | 2018-01-05 | 2020-08-14 | 索尼半导体解决方案公司 | 信息处理设备和信息处理方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8594982B2 (en) * | 2011-06-09 | 2013-11-26 | Pulsar Informatics, Inc. | Systems and methods for distributed calculation of fatigue-risk prediction and optimization |
US10846596B2 (en) * | 2015-11-23 | 2020-11-24 | Daniel Chonghwan LEE | Filtering, smoothing, memetic algorithms, and feasible direction methods for estimating system state and unknown parameters of electromechanical motion devices |
CN106921366A (zh) * | 2017-02-28 | 2017-07-04 | 李琳 | 一种全局最优粒子滤波方法及全局最优粒子滤波器 |
-
2021
- 2021-01-04 CN CN202110002711.2A patent/CN112613222B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101753513A (zh) * | 2010-01-21 | 2010-06-23 | 复旦大学 | 一种基于多项式预测模型的多普勒频率和相位估计方法 |
CN103684350A (zh) * | 2013-12-04 | 2014-03-26 | 北京理工大学 | 一种粒子滤波方法 |
CN104616318A (zh) * | 2015-01-22 | 2015-05-13 | 重庆邮电大学 | 一种视频序列图像中的运动目标跟踪方法 |
CN106908762A (zh) * | 2017-01-12 | 2017-06-30 | 浙江工业大学 | 一种针对uhf‑rfid***的多假设ukf目标跟踪方法 |
CN111542768A (zh) * | 2018-01-05 | 2020-08-14 | 索尼半导体解决方案公司 | 信息处理设备和信息处理方法 |
CN109323695A (zh) * | 2018-10-29 | 2019-02-12 | 东南大学—无锡集成电路技术研究所 | 一种基于自适应无迹卡尔曼滤波的室内定位方法 |
CN111526103A (zh) * | 2019-02-01 | 2020-08-11 | 中国科学院半导体研究所 | Pcma信号单通道盲分离方法 |
CN110162871A (zh) * | 2019-05-16 | 2019-08-23 | 东北大学 | 一种基于无迹卡尔曼粒子滤波的电力***动态估计方法 |
CN110689108A (zh) * | 2019-09-19 | 2020-01-14 | 中国科学院长春光学精密机械与物理研究所 | 一种非线性***状态估计方法 |
CN111368403A (zh) * | 2020-02-24 | 2020-07-03 | 西安交通大学 | 一种自适应非线性退化剩余寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
基于改进粒子滤波的锂离子电池剩余寿命预测;陈万 等;《中国测试》;第47卷(第07期);148-153 * |
基于稳健卡尔曼滤波的倾斜探测电离层 MUF 短期预报方法;李国军 等;《通信学报》;第42卷(第1期);79-86 * |
Also Published As
Publication number | Publication date |
---|---|
CN112613222A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910004A (zh) | 一种多重不确定性的水库调度规则提取方法及*** | |
CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
CN107886160B (zh) | 一种bp神经网络区间需水预测方法 | |
CN111259601A (zh) | 基于随机ga-bp神经网络群的***块度预测方法、装置及介质 | |
CN112613222B (zh) | 基于改进粒子滤波的倾斜探测电离层muf短期预报方法 | |
CN112465251A (zh) | 一种基于最简门控神经网络的短期光伏出力概率预测方法 | |
CN113159102B (zh) | 一种多时间尺度的光伏功率预测方法及*** | |
CN112163689A (zh) | 基于深度Attention-LSTM的短期负荷分位点概率预测方法 | |
CN114740388A (zh) | 一种基于改进tcn的锂电池剩余寿命状态评估方法 | |
CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
CN114185114B (zh) | 降水预报落区的订正方法、装置、电子设备及介质 | |
CN117408394B (zh) | 电力***的碳排放因子预测方法、装置及电子设备 | |
CN114897264A (zh) | 一种基于迁移学习的小样本场景下光伏出力区间预测方法 | |
CN116227738B (zh) | 一种电网客服话务量区间预测方法及*** | |
Ianelli et al. | Decision analysis of alternative harvest policies for the Gulf of Alaska Pacific ocean perch fishery | |
CN117458480A (zh) | 基于改进lof的光伏发电功率短期预测方法及*** | |
CN115618714B (zh) | 一种太阳辐射概率预报方法及相关设备 | |
CN116660756A (zh) | 基于条件生成对抗网络的电池容量衰减曲线生成方法 | |
Guo et al. | Application of the frequency-matching method in the probability forecast of landfalling typhoon rainfall | |
CN116073369A (zh) | 采用蒙特卡洛模拟改进的Copula光伏出力概率区间预测方法 | |
CN116187506A (zh) | 考虑气象分类的短期风电功率组合概率预测方法及*** | |
CN115860165A (zh) | 一种考虑初损的神经网络流域降雨径流预报方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |