基于二分搜索密度峰算法的RBFNN在月降水预报中的应用

发布时间：2021-11-05 16:31

　　针对径向基函数（RBF）网络结构和初始数据中心难以客观确定的不足,采用二分搜索密度峰聚类算法（TSDPCA）找到数据中心值及数据簇类个数作为RBF神经网络的初始参数和隐藏层节点数,再利用梯度下降法优化RBFNN结构及各个参数建立预报模型,并应用于广西月降水预报中,以检验该模型的有效性。结果表明,与K-RBFNN和OLS-RBFNN的模型相比,TSDPCA-RBFNN预报平均相对误差值下降了10%～35%,具有更好的预报性能。 

【文章来源】：计算机应用研究. 2019,36(02)北大核心CSCD

【文章页数】：5 页

【部分图文】：

基于TSDPCA的ＲBFNN建立预测模型3．2数据预处理

平均相对误差(MAPE)MAPE=1N∑Ni=1Yi－Y'iYi×100均方根误差(ＲMSE)ＲMSE=1N∑Ni=1Yi－Y'i槡2洪灾:(error＞250mm)F=∑Ni=1Ii，Ii=1Yi－Y'i≥2500Yi－Y'i{＜250旱灾:(error＜50mm)D=∑Ni=1Li，Li=1Yi－Y'i＜500Yi－Y'i≥{50图4三种模型对2006年的降雨量预测值图5三种模型对2007年的降雨量预测值图6三种模型对2008年的降雨量预测值图7是利用TSDPCA根据λi降序对数据集值进行分类，从图中发现聚类数目达到14时λi变化几乎趋于稳定，说明分为14个类簇是比较合适的。根据相邻之间变化比较小作为终止条件可以自动地获取聚类数目和中心点。图7类簇曲线图8、9是利用训练数据在训练过程中误差达到平稳的收敛次数。从图中可以看出TSDPCA-ＲBFNN模型的收敛次数值要比其他两种模型收敛次数值小。表2给出了三种模型在训练过程中拟合的时间以及对2006—2008年这三年的月平均降雨量在三种不同模型中预测误差的精确度。从表中可以看出，TSDPCA-ＲBFNN平均相对误差、均方根误差和平均绝对误差都是最小的，比K-ＲBFNN模型的平均相对误差下降了10%左右，比OLS-ＲBFNN模型下降了35%，这就说明TSDPCA-ＲBFNN的预测精度有很大的提高，能较准确地预测降水预报。此外，本文对比了三种模型的收敛速度，主要从模型训练拟合时间和误差达到平稳的训练收敛次数两个方面考虑，TSDPCA-ＲBFNN模型的训练拟合时间为18．6345s，收敛次数10次;而OLS-ＲFBNN模型的训练?

【参考文献】：
期刊论文
[1]一种改进的k-中心点聚类算法及在雷暴聚类中的应用[J]. 朱晔,冯万兴,郭钧天,李雪皎,刘娟.  武汉大学学报(理学版). 2015(05)
[2]密度峰值优化初始中心的K-medoids聚类算法[J]. 谢娟英,屈亚楠.  计算机科学与探索. 2016(02)
[3]BP神经网络洪水预报模型在洪水预报系统中的应用[J]. 胡健伟,周玉良,金菊良.  水文. 2015(01)
[4]SOM-RBF神经网络模型在地下水位预测中的应用[J]. 刘博,肖长来,梁秀娟.  吉林大学学报(地球科学版). 2015(01)
[5]基于密度参数K-均值算法的RBF网络及其在降水量预测中的应用[J]. 郭皓,邢贞相,付强,李晶.  水土保持研究. 2014(06)
[6]Num-近邻方差优化的K-medoids聚类算法[J]. 谢娟英,高瑞.  计算机应用研究. 2015(01)
[7]基于径向基函数神经网络的地下水数值模拟模型的替代模型研究[J]. 伊燕平,卢文喜,张耘,芦贵君,王大中,洪德法.  水土保持研究. 2012(04)
[8]基于混合进化算法的RBF神经网络时间序列预测[J]. 龙文,梁昔明,龙祖强,秦浩宇.  控制与决策. 2012(08)
[9]基于RBF神经网络的池州市降水序列预测[J]. 沈艳,杨春雷,张庆国,朱雅莉.  安徽农业大学学报. 2012(03)
[10]基于密度的K-means聚类中心选取的优化算法[J]. 周炜奔,石跃祥.  计算机应用研究. 2012(05)



本文编号：3478142