简介:古人云“以史为鉴”,说的是吸取历史的经验教训,对未来的情况做出预判或者改变。生活中,亦是存在相似的利用历史数据对未来变化趋势进行预测分析的时间序列问题。本文就时间序列一类的问题进行研究,探讨如何更好地根据历史统计数据,对未来的变化趋势进行预测分析。本文基于神经网络,以气象观测历史数据作为研究的对象,建立了气温变化时序预测模型。本模型利用大数据相关技术对数据进行特征处理,通过深度神经网络,学习特征数据和标签数据之间复杂的非线性关系,从而实现对气温变化的趋势预测。实验结果表明,相较其他模型,本文的模型能够更好地进行时序预测,同时也证明了神经网络用于气象预测的可行性。
简介:阐述了雷达相关杂波的模拟方法及其AR谱模型的特性,提出了具有约束条件的修正LEVINSON算法及其AR模型阶数估计方法,同时给出了常用的高斯谱特性的模型阶数估计结果和仿真结果,并与同等条件下的BURG算法的估计结果进行了比较,得到了一些有价值的结论。由于修正LEVIN—SON算法是直接利用给定相关功率谱模型所得到的自相关函数进行AR谱估计的,避免了随机相位因子波动的影响,因此比BURG算法更逼近理想功率谱特性的估计结果。计算机仿真结果也证明,用AR模型来描述常用雷达相关杂波的功率谱特性是正确的;在合理的模型阶数下,AR模型谱的精度满足雷达相关杂波模拟的要求。