基于人工神經(jīng)網(wǎng)絡(luò)模型的降水量預(yù)測(cè)研究.pdf

1、神經(jīng)網(wǎng)絡(luò)特有的非線性適應(yīng)性信息處理能力，克服了傳統(tǒng)人工智能方法對(duì)于直覺(jué)的缺陷，使之在包括預(yù)測(cè)領(lǐng)域的許多領(lǐng)域得到成功應(yīng)用。近年來(lái)，神經(jīng)網(wǎng)絡(luò)在模擬人類認(rèn)知的道路上更加深入發(fā)展，形成計(jì)算智能，成為人工智能的一個(gè)重要方向。 應(yīng)用Matlab語(yǔ)言典型神經(jīng)網(wǎng)絡(luò)的激活傳遞函數(shù)，網(wǎng)絡(luò)的設(shè)計(jì)者可以根據(jù)需要調(diào)用工具箱中有關(guān)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)訓(xùn)練程序，使用它能夠快速實(shí)現(xiàn)對(duì)實(shí)際問(wèn)題的建模求解。由于其編程簡(jiǎn)單，使自己能夠從煩瑣的編程中解脫出來(lái)，而投入到對(duì)現(xiàn)實(shí)

2、問(wèn)題的研究中去。 在長(zhǎng)期降水預(yù)測(cè)中，多采用均生函數(shù)、統(tǒng)計(jì)分析、插值擬合等方法，強(qiáng)調(diào)歷史氣候數(shù)據(jù)和未來(lái)降水的非線性關(guān)系，預(yù)測(cè)比較復(fù)雜。這些方法在不同氣候預(yù)測(cè)中體現(xiàn)出各自的優(yōu)勢(shì)，但同時(shí)也因其均給出了具體的函數(shù)關(guān)系，這就意味著將降水變化規(guī)律化、公式化；然而，區(qū)域降水的演變趨勢(shì)往往是復(fù)雜的、動(dòng)態(tài)的，因此該類方法限制了預(yù)測(cè)的準(zhǔn)確性。區(qū)域降水變化的驅(qū)動(dòng)因素非常復(fù)雜，目前還難以找到合適的表征降水變化的氣候因子或其組合，其相關(guān)研究仍在進(jìn)一步探索

3、之中。而人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法建立在對(duì)輸入和輸出變量的非線性映射之上，它只和訓(xùn)練樣本和目標(biāo)有關(guān)。該方法不僅克服了具體函數(shù)表達(dá)式的局限性，還能通過(guò)學(xué)習(xí)、訓(xùn)練過(guò)程選擇相對(duì)最優(yōu)網(wǎng)絡(luò)對(duì)目標(biāo)值進(jìn)行預(yù)測(cè)。 本文使用Matlab神經(jīng)網(wǎng)絡(luò)工具箱，基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)原理，并將BP網(wǎng)絡(luò)模型引入到降水量預(yù)測(cè)領(lǐng)域，以文登市1953-2003年的降水量基礎(chǔ)，構(gòu)建了區(qū)域降水量的多輸入多輸出的前向型BP網(wǎng)絡(luò)和反饋型Elman網(wǎng)絡(luò)預(yù)測(cè)模型，分別預(yù)測(cè)了該區(qū)未

4、來(lái)10年的季度和年度降水量的變化趨勢(shì)，并進(jìn)行了對(duì)比分析。計(jì)算結(jié)果表明，BP模型應(yīng)用于降水量預(yù)測(cè)具有較高的預(yù)測(cè)精度和良好的泛化能力，它為信息社會(huì)的降水量預(yù)測(cè)工作提供了一種全新的思路和方法。 從預(yù)測(cè)的結(jié)果可以看到BP網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)對(duì)歷史數(shù)據(jù)的逼近效果非常好，網(wǎng)絡(luò)的預(yù)測(cè)符合歷史發(fā)展曲線。預(yù)測(cè)結(jié)果表明Elman網(wǎng)絡(luò)的預(yù)測(cè)值和Bp網(wǎng)絡(luò)的預(yù)測(cè)值有一些不同，但是差別不大，在網(wǎng)絡(luò)收斂的情況下，Bp網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)有相近的輸出，但Elm