基于极限学习机的极移中长期预报

摘要: 传统的极移预报多是基于最小二乘外推和自回归等线性模型，但极移包含了复杂的非线性成分，线性模型的预报效果往往不甚理想。将一种新型神经网络—极限学习机（extreme learning machine，ELM） 用于极移中长期预报。首先利用最小二乘外推模型对极移序列进行拟合，获得趋势项外推值，然后采用ELM对最小二乘拟合残差进行预报，最终的极移预报值为趋势项外推值与残差预报值之和。将ELM的预报结果同反向传播（back propagation，BP）神经网络与地球定向参数预报比较活动（Earth Orientation Parameters Prediction Comparison Campaign，EOP PCC）的预报结果进行对比，结果表明：ELM用于极移中长期预报是高效可行的。