模塊化模糊神經(jīng)網(wǎng)絡的氣象預報建模的改進方法研究.pdf

1、針對模塊化模糊神經(jīng)網(wǎng)絡(MFNN)的門網(wǎng)絡普遍采用模糊C均值聚類算法(FCM)聚類，聚類過程沒有對樣本的特征進行優(yōu)化的缺陷，首先嘗試用模糊核聚類算法(FKCA)替代FCM算法聚類，建立一種新的模糊核聚類的模塊化模糊神經(jīng)網(wǎng)絡模型(FKCA-MFNN)；研究中進一步發(fā)現(xiàn)，由于FKCA算法沒有考慮類別規(guī)模對聚類效果的影響，因而當數(shù)據(jù)集中類別規(guī)模差別很大時聚類效果仍不夠理想，提出兩階段加權(quán)模糊核聚類算法(2-WFKCA)。該算法定義了一個新的目

2、標函數(shù)，引入動態(tài)權(quán)值，并采用傳統(tǒng)的FCM算法粗聚類的結(jié)果作為初始化。因此，將2-WFKCA算法替代FCM算法聚類，建立一種兩階段加權(quán)模糊核聚類的模塊化模糊神經(jīng)網(wǎng)絡預報模型（2-WFKCA-MFNN），可提高整個MFNN系統(tǒng)的性能。論文取廣西西南部6月25個氣象站逐日平均降水量為預報對象，以2003至2006年6月(共115天)中國氣象局的T213模式和日本細網(wǎng)格降水模式48小時預報場等數(shù)值預報產(chǎn)品資料為基礎，應用上述2種改進的MFNN模

3、型對2007年6月廣西西南部進行逐日平均降水預報建模方法研究。 在兩種改進的MFNN降水預報模型建模過程中，首先通過對2003至2006年6月數(shù)值預報產(chǎn)品場與預報對象進行場相關普查，得到廣西西南部25站逐日平均降水量的預報因子共66個(T213因子65個，日本降水預報格點因子1個)。考慮到如此眾多的預報因子直接作為神經(jīng)網(wǎng)絡模型的輸入節(jié)點，會使神經(jīng)網(wǎng)絡的結(jié)構(gòu)很大，不僅導致網(wǎng)絡訓練時間過長，更重要的是一些預報因子之間存在的高相關性和

4、因子本身的噪聲影響，都會直接影響神經(jīng)網(wǎng)絡預報模型的預報效果。對此，論文采用偏最小二乘回歸方法(PLS)提取數(shù)量較少且代表性較強的幾個成分因子來構(gòu)造模塊化模糊神經(jīng)網(wǎng)絡輸入矩陣。在實際計算中，采用PLS方法對65個T213因子作逐次PLS計算，并提取了3個成分因子，結(jié)合1個日本格點預報因子共4個預報因子作為模型輸入，建立了2-WFKCA-MFNN降水預報模型，并利用該預報模型對2007年6月廣西西南部逐日降水量進行實際降水預報試驗。結(jié)果表明

5、，該預報模型對6月份30天的逐日降水預報平均絕對誤差為5.744mm。在相同的模型輸入下，建立FKCA-MFNN模型和FCM-MFNN模型，獨立樣本預報平均絕對誤差分別為6.049mm、6.165mm。對比分析可以看出，2-WFKCA-MFNN模型的預報結(jié)果穩(wěn)定，并且比FKCA-MFNN模型、FCM-MFNN模型的預報精度分別提高5.31％、7.33％。 為提高2-WFKCA-MFNN模型的預報能力，論文進一步研究了對輸入因子采用

6、模糊化因子處理方法。模糊化方法的主要思想是，通過對事物整體上或是細節(jié)上的處理，進而模糊化事物之間的差別，提高事物的適應性。將這一原理運用到MFNN，可以模糊化建模樣本與獨立樣本之間的差別，擴大樣本的適應范圍，提高MFNN的泛化性能。對上述4個預報因子模糊化處理后作為模型輸入，在相同的建模樣本和模型參數(shù)下，建立了模糊化-2-WFKCA-MFNN模型，對2007年6月廣西西南部逐日降水量進行實際降水預報建模，獨立樣本預報平均絕對誤差為5.7

7、26mm。結(jié)果表明，模糊化-2-WFKCA-MFNN模型的預報效果與2-WFKCA-MFNN模型相當，但這兩種模型的預報效果均比FKCA-MFNN模型、FCM-MFNN模型都要好，其中模糊化-2-WFKCA-MFNN模型比FKCA-MFNN模型、FCM-MFNN模型預報精度分別提高5.64％、7.67％。 為了客觀分析論文提出的改進的MFNN與常規(guī)氣象預報方法的性能差異，進一步將改進的MFNN模型與傳統(tǒng)的逐步回歸方法進行了預報的對

8、比試驗，試驗中所采用的預報因子與上述方法所依據(jù)的初選預報因子群完全一致。為了保證對比的合理性，試驗通過對F值的控制，在預報因子數(shù)和建模樣本完全相同的情況下，逐步回歸預報方程對2007年6月30天降水的獨立樣本預報平均絕對誤差為8.361mm。相比之下，逐步回歸方法預報誤差要明顯大于2-WFKCA-MFNN模型、模糊化-2-WFKCA-MFNN模型及FKCA-MFNN模型的預報誤差，這3種模型的預報精度比逐步回歸方法分別提高45.56％、

9、46.02％、38.22％。這主要是因為逐步回歸方法在建模時只考慮對回歸模型有顯著性影響的預報因子，沒有考慮預報因子之間的多重共線性相關關系等問題，從而影響了預報模型的預報能力；另一方面由于逐日的降水量變化受到大氣內(nèi)部和大氣外部環(huán)境條件的綜合影響，具有明顯的非線性變化特點，而逐步回歸方法是屬于線性統(tǒng)計預報建模方法，不能反映預報因子與預報量之間的非線性關系，最終導致預報精度明顯低于2-WFKCA-MFNN模型、模糊化-2-WFKCA-MF

10、NN模型及FKCA-MFNN模型的預報精度。 綜合以上分析結(jié)果，論文提出將兩階段加權(quán)模糊核聚類算法(2-WFKCA)替代FCM算法聚類，建立2-WFKCA-MFNN模型，可顯著提高整個MFNN系統(tǒng)的性能，更好地適應現(xiàn)實應用中的實際問題。由于與大氣學科的降水預報一樣，在實際的水文，交通，電力負荷，經(jīng)濟和地質(zhì)災害等許多預測應用研究方面，也都會遇到采用傳統(tǒng)的FCM算法進行聚類分析的問題。2-WFKCA算法為提高MFNN模型的預報精度提