论文部分内容阅读
由于日长（length—of-day，LOD）变化具有复杂的时变特性，传统线性模型如最小二乘外推模型、时间序列分析模型等的预报效果往往不甚理想，所以将一种新型的机器学习算法一高斯过程（Gaussian processes，GP）方法用于LOD变化预报，并将预报结果同利用反向传播神经网络（back propagation neural networks, BPNN）和广义回归神经网络（generul regression neurul networks, GRNN）的预报结果以及地球定向参数预报比较竞赛（E