论文部分内容阅读
水位在忽略观测误差的前提下,可分解为潮位和余水位,后者具有较强的空间相关性以及非平稳特征,是影响水位预报精度的主要因素。港口工程、航运计划编制等方面对实时高精度水位预报具有重要需求,这对余水位预报模型构建提出了更高要求。另外,利用高精度余水位预报模型可减少验潮站布设数量。针对余水位短期预测模型精度不高的现状,本文对余水位进行集合经验模态(EEMD)分解,获得余水位在时间序列上的本征模函数(IMF);使用快速傅立叶变换(FFT)分析各本征模函数的频谱特征;再利用BP神经网络对各个本征模函数进行训练,预测了未