基于EMD和AR的船舶运动极短期预报问题研究

论文摘要

船舶运动的极短期预报就是根据已知的船舶运动及海洋环境信息,通过某种确定的方法预报未来几秒或十几秒内的舰船运动姿态。本文采用船舶运动的时间序列分析方法进行预报。在王安存硕士论文工作基础上进行深入研究。该方法的基本思想是将非平稳,非线性的船舶运动数据,采用经验模态分解方法分解成几个平稳的本征模态函数(IMF),然后分别建立每个IMF的自回归(AR)模型进行预报,最后将每个IMF的预报结果相加。本文在此基础上,进行深入研究,具体包括以下工作:1.经验模态分解(EMD)方法能够有效地处理非线性、非平稳信号,但是在边界延拓和极值点选取仍有待研究。本文对这种新的信号分析方法进行FORTRAN编程计算,结合极短期预报的需要深入研究。对EMD方法分解过程中的边界延拓的难点给出一种新极值延拓的方法;对生成包络线的极值点选取也提出一种有效处理方法。2.通过FORTRAN编程计算对不同的自回归(AR)模型参数估计方法及定阶准则进行了比较研究。并比较了不同长度信号数据的选取对自回归(AR)模型预报精度的影响。3.采用经验模态分解(EMD)结合自回归(AR)模型进行预报,研究了不同样本数据长度选择对数据预报结果的影响。4.为考虑信号的非线性,根据局部区间搜索法得出自激励门限自回归(SETAR)模型参数,进行FORTRAN编程预报。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 论文工作的目的和意义
• 1.2 船舶运动极短期预报综述
• 1.2.1 国外研究概况
• 1.2.2 国内研究概况
• 1.3 本文的主要工作
• 第二章 经验模态分解方法及相关问题研究
• 2.1 经验模态分解概念
• 2.1.1 瞬时频率
• 2.1.2 本征模函数IMF
• 2.2 经验模态分解步骤
• 2.3 经验模态分解中的问题
• 2.3.1 采样频率问题
• 2.3.2 终止准则问题
• 2.3.3 曲线拟合问题
• 2.3.4 对于数据的局部极大值和极小值的处理
• 2.3.5 包络线端点的处理
• 2.4 小结
• 第三章 基于自回归理论的直接预报
• 3.1 自回归理论概述
• 3.2 模型的参数估计
• 3.2.1 基于最小二乘准则的自适应递推算法（RLS）
• 3.2.2 基于 RLS方法的自回归预报验证
• 3.3 模型阶数的确定
• 3.3.1 艾克（AIC）准则
• 3.3.2 BIC准则
• 3.4 样本长度的选择
• 3.5 小结
• 第四章 经验模态分解与自回归相结合预报方法研究
• 4.1 经验模态分解与自回归数据处理
• 4.2 用不同样本长度进行预报
• 4.3 数据系列1
• 4.4 数据系列2
• 4.5 小结
• 第五章 自激励门限自回归理论（SETAR）
• 5.1 TAR模型的定义
• 5.1.1 TAR定义
• 5.1.2 TAR模型的特点
• 5.1.3 TAR建模准备
• 5.2 建立门限自回归模型的步骤
• 5.3 局部搜索法
• 5.3.1 门限值的物理意义和搜索区间
• 5.3.2 延迟步数d的物理意义和搜索区间
• 5.4 原始数据 SETAR预报
• 5.5 小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢