论文部分内容阅读
分析了卡尔曼滤波预测空气质量指数的机理，用ARMA算法为卡尔曼滤波建立模型，提出了将RBF神经网络融合于卡尔曼滤波的方法，实现对空气质量指数的混合预测。根据空气质量指数时间序列的特点，建立了自回归预测模型，进而建立卡尔曼滤波的状态方程和测量方程。采用随机梯度逼近训练算法训练RBF神经网络，用RBF神经网络的输出作为卡尔曼滤波测量方程的观测值。融合了RBF神经网络后的卡尔曼滤波预测方法减少了单一方法的延迟现象，使同种性质的误差累积减小，提高了预测精度。对AQI序列预测的仿真显示融合后的卡尔曼滤波方法优于单一