...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Pomiary Automatyka Kontrola >Porównanie metod prognozowania zastosowanych w sieci neuronowej GMDH przeznaczonej do wyznaczania prognozy poprawek dla krajowej skali czasu UTC(PL)
【24h】

Porównanie metod prognozowania zastosowanych w sieci neuronowej GMDH przeznaczonej do wyznaczania prognozy poprawek dla krajowej skali czasu UTC(PL)

机译：GMDH神经网络中用于确定UTC国家时标（PL）的校正预测的预测方法的比较

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The paper discusses the results of predicting the corrections for the national time scale UTC(PL), using GMDH neural networks. The aim of the research was to examine the influence of the GMDH neural network prediction methods on the prediction result. The first section describes the national time scale UTC(PL) and presents the problem of maintaining the best compatibility of the UTC(PL) with UTC. It also presents the method of predicting the corrections used in the Central Office of Measures (GUM), and a new method for predicting the corrections for the UTC(PL) based on GMDH neural network. The second section shows how the input data for the GMDH neural network was prepared. Based on historical measurement data from the cesium atomic clock Cs2 and corrections of the UTC(PL) relative to UTC, two time series (sc1 and sc2) which were the basis for determining the input to GMDH neural network were prepared. The third section describes the predicting methods used in the GMDH neural network and a training data for both methods. The fourth section focuses on the method of predicting the corrections using GMDH neural networks, and contains the research results. The research on predicting the corrections were carried out using two methods, the time series analysis and the regression method. Prediction of the corrections was made on the 15th day of month for 20 consecutive months. The prediction results using the GMDH neural network were compared with the results received by the GUM with use of the linear regression method. The research show that the GMDH neural networks can be used to predict the corrections for the national time scale UTC(PL). A better method of predicting the corrections for the national time scale proved to be the method of time series analysis. The results were better than the prediction results obtained in the GUM for both time series sc1 and sc2. In the case of using the regression method only for times series sc1, the obtained results were better than those obtained in the GUM.%W pracy zostały porównane metody prognozowania poprawek dla krajowej skali czasu UTC(PL). Badania dotyczące prognozowania poprawek prowadzono w oparciu o sieci neuronowe GMDH dwoma metodami, metodą analizy szeregów czasowych i metodą regresji. Prognozowanie poprawek zostało wykonane na 15 dzień miesiąca dla 20 kolejnych miesięcy. Otrzymane wyniki prognoz przy użyciu sieci neuronowej GMDH zestawione z wynikami prognoz otrzymanymi przez Główny Urząd Miar z zastosowaniem metody regresji liniowej pokazują, że lepszą metodą prognozowania poprawek dla krajowej skali czasu okazała się metoda analizy szeregów czasowych.
机译：本文讨论了使用GMDH神经网络预测国家时标UTC（PL）的校正结果。该研究的目的是检验GMDH神经网络预测方法对预测结果的影响。第一部分描述了国家时标UTC（PL），并提出了保持UTC（PL）与UTC的最佳兼容性的问题。它还提出了预测措施中央办公室（GUM）中使用的校正的方法，以及一种基于GMDH神经网络预测UTC（PL）校正的新方法。第二部分显示了如何为GMDH神经网络准备输入数据。基于铯原子钟Cs2的历史测量数据以及UTC（PL）相对于UTC的校正，准备了两个时间序列（sc1和sc2），它们是确定GMDH神经网络输入的基础。第三部分描述了GMDH神经网络中使用的预测方法以及两种方法的训练数据。第四部分重点介绍了使用GMDH神经网络预测校正的方法，并包含了研究结果。使用时间序列分析和回归方法两种方法进行校正预测的研究。在每个月的第15天进行了连续20个月的更正预测。使用线性回归方法将使用GMDH神经网络的预测结果与GUM收到的结果进行比较。研究表明，GMDH神经网络可用于预测国家时标UTC（PL）的校正。时间序列分析是一种更好的预测国家时标校正的方法。结果优于时间序列sc1和sc2在GUM中获得的预测结果。在仅对时间序列sc1使用回归方法的情况下，所获得的结果要好于在GUM中获得的结果。％W pracy Badaniadotycząceprognozowania poprawek prowadzono w oparciu o sieci neuronowe GMDH dwoma metodami，metodąanalizyszeregówczasowych imetodąregresji。 Prognozowanie poprawekzostałowykonane na 15dzieńmiesiącadla 20 kolejnychmiesięcy。 Otrzymane wy​​niki prognoz przyużyciusieci neuronowej GMDH zestawione z wynikami prognoz otrzymanymi przezGłównyUrządMiar z zastosowaniem metody regresji liniowej ka li kra jo l l l

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号