EEMD与RBF神经网络的太阳黑子月均值预测_孙堂乐

资 源 简 介

EEMD与RBF神经网络的太阳黑子月均值预测_孙堂乐

详 情 说 明

这篇论文提出了一种结合EEMD（集合经验模态分解）和RBF（径向基函数）神经网络的太阳黑子月均值预测方法。太阳黑子活动具有非线性、非平稳特性，传统预测方法难以准确建模。

该方法首先通过EEMD将太阳黑子时间序列分解为多个IMF分量（本征模态函数）和一个残差项。EEMD改进了传统EMD方法，通过加入高斯白噪声有效解决了模态混叠问题，使分解结果更具物理意义。

然后针对不同IMF分量构建对应的RBF神经网络预测模型。RBF网络具有局部逼近能力强、收敛速度快的特点，适合处理各IMF分量不同的频率特征。最后将各分量预测结果重构得到最终预测值。

相比单一神经网络模型，这种"分解-预测-重构"的框架能更好捕捉太阳黑子数据的多尺度特征。实验结果表明，该方法在预测精度和稳定性方面优于传统ARIMA、BP神经网络等方法，为太阳活动预测提供了新思路。

该方法可扩展应用于其他具有非平稳特性的时间序列预测问题，如电力负荷、气象数据等领域，关键在于EEMD分解的合理性和RBF网络参数的优化选择。