区域短临定量降水预报技术研究

发布时间：2020-08-01 12:31

【摘要】：短时强降水会引起自然灾害,从而对人民生活、社会生产和经济发展造成巨大损失。对降水进行短时临近预报可以预测数小时内的区域降水强度及其引起的自然灾害,有助于人们及时做好应对措施,尽可能的保证人民生命安全和减少财产损失。本文首先采用主成分分析(PCA)法对影响降水量的相关因素进行特征提取,筛选出影响降水的主要因子,以解决因影响降水量的相关因素众多,而导致的降水预报模型输入维数过高,计算复杂,训练时间变长、收敛速度变慢、泛化能力减弱等问题。其次,采用模糊聚类算法确定径向基神经网络(RBF)隐层节点个数,并运用K均值聚类(K-means)算法对径向基神经网络降水预报模型隐含层参数进行选取。然后,针对k-means聚类算法的性能受所选初始中心的影响,且容易陷入局部最优的问题,引入具有全局优化的粒子群(PSO)智能优化算法对径向基神经网络的参数进行选取,构建了基于改进的粒子群算法优化径向基神经网络的降水预报模型(PSO-RBF神经网络)。最后以华南某地短临降水预报为例进行了应用研究,结果表明改进的PSO-RBF神经网络降水预报模型预报准确率高于传统径向基神经网络降水预报模型和标准粒子群优化的径向基神经网络降水预报模型,具有应用价值。
【学位授予单位】：西安建筑科技大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：P457.6
【图文】：

教师学习,方式,神经网络

以收敛到正确的目标上[22]。权重系数的确定是通过网络的不断，在训练过程中将事先准备的数据提供给神经网络，使其分析的潜在规律。在得到输入与输出的规律后，神经网络便可根据数据对应的输出数据。神经网络的学习过程又被叫做训练过程。神经网络的学习方式（有监督学习）、无导师学习（无监督学习）和死记式学习。导师学习(有监督学习)：神经网络单元以现实输出与预期输出的根据算法的具体标准来安排所有人工神经元相接触时的权重。叫做导师信号，是检验学习过程中是否出现问题的准则，因此式又称为有导师学习。习过程如下图 2.1 所示，神经网络每经历一次学习，现实输出都行反馈，并且通过参照预期输出，来判断此次的网络学习是否习，使网络现实输出和预期输出之间的误差逐步减少，直至其

无教师学习,方式

图 2.2 无教师学习方式式学习：是指将网络提前设定成特定的记忆形式，在这之后，便会唤起自身对记忆形式的回顾，从而对输入进行相应习是最早的神经网络学习的方法，这种方法由于其自身的学习，学习之后就不在改变网络的权值，而不像其他的方此现在的实验已经放弃这种方法。经网络概述经网络结构，Powell 提出了多变量插值的径向基函数（RadicalBasisFunc，Moody 和 Darken[24]提出了一种神经网络结构，即 RBF 神网络中输入层可以理解为是一个连接层也是传输层，只是将部。隐含层的作用是使输入变量的全部内容映射到隐含层的

函数曲线,神经网络结构,神经网络,空间维数

西安建筑科技大学硕士学位论文面的能力，随着节点个数的增多，这些能力将不断增强。其中的逼近能力，隐层神经元节点数越多，RBF 神经网络具有的函甚至能够以任意精度去逼近一个复杂的函数曲线。隐层神经元空间维数。由于网络的性能指标和隐层空间维数有着紧密的联多可以提高神经网络的逼近精度。在现实应用中，神经网络的泛化能力受到隐层空间维数的影响BF 神经网络的隐层节点数的影响，所以需要对隐层节点数进行从而确保神经网络的泛化能力。经网络输出层是针对输入数据进行响应，且该响应是一种线性是一个 RBF 神经网络，该网络是n-h-1的三层 RBF 神经网络结构

【相似文献】