提高氣象預(yù)測的準(zhǔn)確率對于減少氣象災(zāi)害的影響有很大作用。目前國內(nèi)常用的數(shù)值預(yù)報產(chǎn)品包括ECMWF等都是尋求找到氣象要素之間的非線性關(guān)系,以改善預(yù)報效果。但是數(shù)值預(yù)報產(chǎn)品也存在一些不足,如針對不同的天氣系統(tǒng)數(shù)值預(yù)報偏差較大。隨著人工神經(jīng)網(wǎng)絡(luò)研究技術(shù)的發(fā)展,學(xué)者在神經(jīng)網(wǎng)絡(luò)結(jié)合氣象預(yù)報領(lǐng)域也展開了大量的研究。RBF神經(jīng)網(wǎng)絡(luò)在分類、泛化及逼近能力上具備極大的優(yōu)勢,適合于氣象預(yù)測。但是RBF網(wǎng)絡(luò)在實際運行和應(yīng)用中仍存在一些不足和障礙。如何確認(rèn)隱層節(jié)點數(shù)目、隱層中心、寬度和連接權(quán)值,是建立RBF神經(jīng)網(wǎng)絡(luò)遇到的問題。粒子群算法相對其他智能算法具有參數(shù)少、全局尋優(yōu)能力強(qiáng)等特點,被不斷應(yīng)用到神經(jīng)網(wǎng)絡(luò)優(yōu)化。但是粒子群算法還是存在容易陷入局部最優(yōu)等缺點。本文圍繞徑向基（RBF）神經(jīng)網(wǎng)絡(luò)隱層中心、寬度和連接權(quán)不易確認(rèn)的問題,和粒子群算法（PSO）容易陷入局部等問題,以建立有效的氣溫預(yù)測模型目標(biāo)。本文主要研究對象是基于改進(jìn)PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的氣溫預(yù)測模型,主要工作如下：（1）針對時間序列分析常用方法的不足,采用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行時間序列預(yù)測�？偨Y(jié)了創(chuàng)建時間序列的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型的過程。深入分析了RBF... 

【文章來源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

原始訓(xùn)練數(shù)據(jù)

最終預(yù)測結(jié)果輸出數(shù)據(jù)需經(jīng)過式（４－２）進(jìn)行還原。??ｄａｔａ?＝些卸?〇ｒｍ?＋?ｌ＞（ｄ＾ｔａｍａｘ－ｄａｔａｍｉｎ）?＋?ｄａｔＳｍｉｎ?（４—２）??其中，ｄａｔａ＾ｒｍ是規(guī)范化的輸出結(jié)果，ｄａｔａ是實際輸出結(jié)果，其他參數(shù)意??義同公式（４－１）。??４丄２氣溫時間序列的ＲＢＦ神經(jīng)網(wǎng)絡(luò)預(yù)測模型??氣象時間序列數(shù)據(jù)采用窗口數(shù)目為３的滑動窗口進(jìn)行一步預(yù)測，得到Ｗ下映??射公式：??ｘ（ｔ＋３）＝ｆ?［ｘ（ｔ），?ｘ（ｔ＋ｌ），?ｘ（ｔ＋２）］?（４－３）??其中ｘ（ｔ）表示時刻ｔ的數(shù)據(jù)，映射公式表示基于ｆ法則用前Ｈ個時刻的數(shù)??據(jù)對應(yīng)得到第四個數(shù)據(jù)。??確定ＲＢＦ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括輸入層的節(jié)點數(shù)，隱含層節(jié)點數(shù)目、輸出層??節(jié)點數(shù)目。根據(jù)實際問題輸入輸出關(guān)系，確定輸入層的節(jié)點數(shù)，輸出層節(jié)點數(shù)目。??氣象時間序列采用大小為３的滑動窗口進(jìn)行一步預(yù)測，則輸入節(jié)點是３，輸出節(jié)??點是１。根據(jù)文獻(xiàn)ｔ＾ＬｉｐｐｍａｎｒｉＲＰ公式應(yīng)用效果、適應(yīng)性及穩(wěn)定性均較好，公式??

．Ｗ下分別是基本ＰＳＯ、權(quán)重線性遞減ＰＳＯ、隨機(jī)慣性權(quán)重ＰＳＯ、自ＰＳＯ和變異帶收縮因子ＰＳＯ算法變異前后、ＬＪ?２０１０年－２０１３年的溫度練數(shù)據(jù)集得到的適應(yīng)度曲線對比示意圖。可ＬＪ看出，變異后的算法收值高于變異前，因此本文提出變異算法提高了原有算法的優(yōu)化能力。??０．９６?，????－－■■■—Ｈ??

【參考文獻(xiàn)】：
期刊論文
[1]隱層節(jié)點數(shù)經(jīng)驗公式在水庫調(diào)度規(guī)則提取中的應(yīng)用效果評價[J]. 劉宇,鐘平安,張夢然,孔艷,徐斌.  水電能源科學(xué). 2012(11)
[2]質(zhì)心粒子群優(yōu)化算法[J]. 汪永生,李均利.  計算機(jī)工程與應(yīng)用. 2011(03)
[3]基于RBF神經(jīng)網(wǎng)絡(luò)馬爾可夫模型的降水量預(yù)測[J]. 閉祖良,張展羽,朱新國,劉莉.  節(jié)水灌溉. 2010(11)
[4]時間序列的非線性趨勢預(yù)測及應(yīng)用綜述[J]. 王婷婷,錢曉東.  計算機(jī)工程與設(shè)計. 2010(07)
[5]GRAPES模式對西南季風(fēng)爆發(fā)的數(shù)值模擬及初值影響試驗[J]. 周慧,朱國強(qiáng),陳江民,彭敦,戴澤軍.  熱帶氣象學(xué)報. 2010(01)
[6]全局最優(yōu)位置變異粒子群優(yōu)化算法[J]. 王海峰,劉晶晶.  青島理工大學(xué)學(xué)報. 2009(05)
[7]基于全場信息的數(shù)值預(yù)報產(chǎn)品釋用方法研究[J]. 楊成蔭,王漢杰,周林,趙蘇璇.  應(yīng)用氣象學(xué)報. 2009(02)
[8]人工神經(jīng)網(wǎng)絡(luò)方法在短期天氣預(yù)報中的應(yīng)用[J]. 苗春生,段婧,徐春芳.  江南大學(xué)學(xué)報(自然科學(xué)版). 2007(06)
[9]多重分支時間延遲神經(jīng)網(wǎng)絡(luò)的混沌預(yù)測研究[J]. 席劍輝,韓敏.  信息與控制. 2007(02)
[10]基于BP神經(jīng)網(wǎng)絡(luò)模型的廣西月降水量降尺度預(yù)報[J]. 何慧,金龍,覃志年,袁麗軍.  熱帶氣象學(xué)報. 2007(01)

碩士論文
[1]時間序列數(shù)據(jù)挖掘研究[D]. 任芳.遼寧師范大學(xué) 2010
[2]RBF網(wǎng)絡(luò)在時間序列預(yù)測中的應(yīng)用研究[D]. 陳玉紅.哈爾濱工程大學(xué) 2009
[3]基于RBF神經(jīng)網(wǎng)絡(luò)并行學(xué)習(xí)模型的數(shù)據(jù)分類及預(yù)測研究[D]. 胡浩民.上海師范大學(xué) 2003



本文編號：3498864