PSO-FCM神經(jīng)網(wǎng)絡(luò)集成的降水預(yù)報(bào)方法研究.pdf

1、目前神經(jīng)網(wǎng)絡(luò)集成已經(jīng)在地震強(qiáng)度估計(jì)、醫(yī)學(xué)診斷、人臉識(shí)別等多個(gè)領(lǐng)域獲得了成功的應(yīng)用，但神經(jīng)網(wǎng)絡(luò)集成方法在大氣學(xué)科的降水預(yù)報(bào)問(wèn)題中的研究和應(yīng)用還是比較少見。針對(duì)這一現(xiàn)狀，論文嘗試?yán)蒙窠?jīng)網(wǎng)絡(luò)集成方法進(jìn)行于降水預(yù)報(bào)建模研究。但是，目前比較廣泛采用的集成算法—Bagging和AdaBoost 方法都存在網(wǎng)絡(luò)結(jié)構(gòu)難于確定以及網(wǎng)絡(luò)訓(xùn)練對(duì)初始權(quán)值很敏感等問(wèn)題，這在很大程度上影響了神經(jīng)網(wǎng)絡(luò)的泛化能力。為進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)集成的泛化性能，論文提出了一種基

2、于粒子群算法和改進(jìn)的模糊聚類的神經(jīng)網(wǎng)絡(luò)集成方法，簡(jiǎn)稱基于PSO-FCM神經(jīng)網(wǎng)絡(luò)集成方法，其主要研究?jī)?nèi)容包括： 在模型的建立上：根據(jù)神經(jīng)網(wǎng)絡(luò)集成個(gè)體的差異度與集成的泛化能力成正比的關(guān)系，論文開展了利用粒子群算法來(lái)產(chǎn)生神經(jīng)網(wǎng)絡(luò)集成個(gè)體的方法研究，并為增強(qiáng)集成個(gè)體的多樣性（差異性），對(duì)粒子群算法做了些改進(jìn)：①提出一種動(dòng)態(tài)的多樣性函數(shù)，即根據(jù)每一次搜索得到的位置對(duì)粒子群的種群多樣性進(jìn)行評(píng)價(jià)，并以此決定群體中的個(gè)體是向最優(yōu)個(gè)體靠攏還是散開

3、；②對(duì)慣性系數(shù)采用0.5 ω=+rand/2的隨機(jī)形式，這樣可以使種群在搜索的后期避免過(guò)度趨向于某一位置。進(jìn)一步，用改進(jìn)的粒子群算法同時(shí)優(yōu)化神經(jīng)網(wǎng)絡(luò)的隱節(jié)點(diǎn)個(gè)數(shù)和神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)的初始權(quán)值。最后對(duì)結(jié)論的合成方法采用選擇性的平均集成，即利用模糊均值聚類對(duì)由粒子群算法生成的多個(gè)神經(jīng)網(wǎng)絡(luò)集成個(gè)體進(jìn)行分類，從每一類中選擇在驗(yàn)證集上泛化能力最強(qiáng)的個(gè)體參與平均集成。 在模型的輸入上：利用改進(jìn)的模糊聚類算法對(duì)原始的訓(xùn)練樣本集進(jìn)行聚類分析，將與預(yù)報(bào)

4、樣本因子具有相似或相同屬性的樣本歸為一類作為新的訓(xùn)練樣本集，以此排除訓(xùn)練樣本集中的與預(yù)報(bào)樣本因子差異較大的樣本，從而提高單個(gè)個(gè)體神經(jīng)網(wǎng)絡(luò)的泛化能力。 通過(guò)對(duì)上述集成模型的構(gòu)造和模型輸入的研究，建立了一種基于神經(jīng)網(wǎng)絡(luò)PSO-FCM集成的降水預(yù)報(bào)模型。為了考察所提出的降水預(yù)報(bào)模型的預(yù)報(bào)能力，論文以2002 至2005年5-6月（共217天）中國(guó)氣象局的T213模式和日本細(xì)網(wǎng)格降水模式48 小時(shí)預(yù)報(bào)場(chǎng)等數(shù)值預(yù)報(bào)產(chǎn)品資料為基礎(chǔ)，建立了基

5、于PSO-FCM神經(jīng)網(wǎng)絡(luò)集成的逐日降水預(yù)報(bào)模型，并以廣西西南部2006年前汛期（5-6月）逐日平均降水量作為預(yù)報(bào)對(duì)象，進(jìn)行逐日預(yù)報(bào)試驗(yàn)：首先對(duì)T213模式和日本數(shù)值天氣預(yù)報(bào)模式的數(shù)值預(yù)報(bào)產(chǎn)品與預(yù)報(bào)對(duì)象的相關(guān)性進(jìn)行普查，找出成片的高于0.05 顯著性水平且相關(guān)符號(hào)相同的格點(diǎn)區(qū)，分別在正、負(fù)相關(guān)區(qū)內(nèi)選取相關(guān)系數(shù)絕對(duì)值平均最大的2個(gè)相鄰格點(diǎn)，計(jì)算這2個(gè)格點(diǎn)的物理量平均值作為待選的正、負(fù)相關(guān)因子。進(jìn)一步對(duì)這2個(gè)待選的正、負(fù)相關(guān)因子進(jìn)行組合處理，

6、即把同一個(gè)物理量的正、負(fù)相關(guān)因子相減，得到組合物理量因子，最后得到42個(gè)初選預(yù)報(bào)因子（41個(gè)T213因子，1個(gè)日本格點(diǎn)降水預(yù)報(bào)因子）。其次在保留高相關(guān)預(yù)報(bào)因子（日本降水預(yù)報(bào)格點(diǎn)）的前提下，對(duì)初選預(yù)報(bào)因子群利用逐步回歸方法進(jìn)一步進(jìn)行因子篩選，得到神經(jīng)網(wǎng)絡(luò)輸入因子個(gè)數(shù)分別為4個(gè)。最后利用論文建立的PSO-FCM 神經(jīng)網(wǎng)絡(luò)集成方法以2002 至2005年5-6月共217個(gè)樣本作為建模樣本，對(duì)2006年5-6月份共56天進(jìn)行逐日降水量進(jìn)行預(yù)報(bào)試

7、驗(yàn)，所得到的預(yù)報(bào)平均絕對(duì)誤差為5.18mm（分類數(shù)為8）。為了驗(yàn)證論文建立的基于神經(jīng)網(wǎng)絡(luò)集成降水預(yù)報(bào)模型的有效性,論文用目前流行的兩種神經(jīng)網(wǎng)絡(luò)集成—Bagging和AdaBoost 方法對(duì)相同的降水預(yù)報(bào)試驗(yàn)數(shù)據(jù),以相同的建模樣本建立降水預(yù)報(bào)模型，對(duì)2006年5-6月份的降水量進(jìn)行了56天逐日預(yù)報(bào)建模試驗(yàn),得到這兩種模型的預(yù)報(bào)平均誤差分別為6.70mm（隱節(jié)點(diǎn)為4）和6.26mm（隱節(jié)點(diǎn)為4）。相比較而言論文提出的神經(jīng)網(wǎng)絡(luò)集成方法比目前較

8、為廣泛使用的神經(jīng)網(wǎng)絡(luò)集成方法的預(yù)報(bào)精度有了明顯的提高，其中相比于Bagging 集成算法的預(yù)報(bào)精度提高了20％，而相比于Boosting 方法也提高了15％。為了考察神經(jīng)網(wǎng)絡(luò)集成方法應(yīng)用于實(shí)際降水預(yù)報(bào)的可行性，論文還將集成方法的降水預(yù)報(bào)精度與目前中國(guó)氣象局的T213 預(yù)報(bào)模式（目前氣象業(yè)務(wù)部分主要參考的客觀預(yù)報(bào)工具）的預(yù)報(bào)精度做了進(jìn)一步比較，結(jié)果表明T213 預(yù)報(bào)模式對(duì)2006年5-6月份降水量的預(yù)報(bào)平均絕對(duì)誤差為8.74mm，這比傳統(tǒng)