PSO-FCM神經網絡集成的降水預報方法研究.pdf

1、目前神經網絡集成已經在地震強度估計、醫(yī)學診斷、人臉識別等多個領域獲得了成功的應用，但神經網絡集成方法在大氣學科的降水預報問題中的研究和應用還是比較少見。針對這一現狀，論文嘗試利用神經網絡集成方法進行于降水預報建模研究。但是，目前比較廣泛采用的集成算法—Bagging和AdaBoost 方法都存在網絡結構難于確定以及網絡訓練對初始權值很敏感等問題，這在很大程度上影響了神經網絡的泛化能力。為進一步提高神經網絡集成的泛化性能，論文提出了一種基

2、于粒子群算法和改進的模糊聚類的神經網絡集成方法，簡稱基于PSO-FCM神經網絡集成方法，其主要研究內容包括： 在模型的建立上：根據神經網絡集成個體的差異度與集成的泛化能力成正比的關系，論文開展了利用粒子群算法來產生神經網絡集成個體的方法研究，并為增強集成個體的多樣性（差異性），對粒子群算法做了些改進：①提出一種動態(tài)的多樣性函數，即根據每一次搜索得到的位置對粒子群的種群多樣性進行評價，并以此決定群體中的個體是向最優(yōu)個體靠攏還是散開

3、；②對慣性系數采用0.5 ω=+rand/2的隨機形式，這樣可以使種群在搜索的后期避免過度趨向于某一位置。進一步，用改進的粒子群算法同時優(yōu)化神經網絡的隱節(jié)點個數和神經網絡訓練時的初始權值。最后對結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由粒子群算法生成的多個神經網絡集成個體進行分類，從每一類中選擇在驗證集上泛化能力最強的個體參與平均集成。 在模型的輸入上：利用改進的模糊聚類算法對原始的訓練樣本集進行聚類分析，將與預報

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練樣本集，以此排除訓練樣本集中的與預報樣本因子差異較大的樣本，從而提高單個個體神經網絡的泛化能力。 通過對上述集成模型的構造和模型輸入的研究，建立了一種基于神經網絡PSO-FCM集成的降水預報模型。為了考察所提出的降水預報模型的預報能力，論文以2002 至2005年5-6月（共217天）中國氣象局的T213模式和日本細網格降水模式48 小時預報場等數值預報產品資料為基礎，建立了基

5、于PSO-FCM神經網絡集成的逐日降水預報模型，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報對象，進行逐日預報試驗：首先對T213模式和日本數值天氣預報模式的數值預報產品與預報對象的相關性進行普查，找出成片的高于0.05 顯著性水平且相關符號相同的格點區(qū)，分別在正、負相關區(qū)內選取相關系數絕對值平均最大的2個相鄰格點，計算這2個格點的物理量平均值作為待選的正、負相關因子。進一步對這2個待選的正、負相關因子進行組合處理，

6、即把同一個物理量的正、負相關因子相減，得到組合物理量因子，最后得到42個初選預報因子（41個T213因子，1個日本格點降水預報因子）。其次在保留高相關預報因子（日本降水預報格點）的前提下，對初選預報因子群利用逐步回歸方法進一步進行因子篩選，得到神經網絡輸入因子個數分別為4個。最后利用論文建立的PSO-FCM 神經網絡集成方法以2002 至2005年5-6月共217個樣本作為建模樣本，對2006年5-6月份共56天進行逐日降水量進行預報試

7、驗，所得到的預報平均絕對誤差為5.18mm（分類數為8）。為了驗證論文建立的基于神經網絡集成降水預報模型的有效性,論文用目前流行的兩種神經網絡集成—Bagging和AdaBoost 方法對相同的降水預報試驗數據,以相同的建模樣本建立降水預報模型，對2006年5-6月份的降水量進行了56天逐日預報建模試驗,得到這兩種模型的預報平均誤差分別為6.70mm（隱節(jié)點為4）和6.26mm（隱節(jié)點為4）。相比較而言論文提出的神經網絡集成方法比目前較

8、為廣泛使用的神經網絡集成方法的預報精度有了明顯的提高，其中相比于Bagging 集成算法的預報精度提高了20％，而相比于Boosting 方法也提高了15％。為了考察神經網絡集成方法應用于實際降水預報的可行性，論文還將集成方法的降水預報精度與目前中國氣象局的T213 預報模式（目前氣象業(yè)務部分主要參考的客觀預報工具）的預報精度做了進一步比較，結果表明T213 預報模式對2006年5-6月份降水量的預報平均絕對誤差為8.74mm，這比傳統(tǒng)