论文部分内容阅读
提高气象预测的准确率对于减少气象灾害的影响有很大作用。目前国内常用的数值预报产品包括ECMWF等都是寻求找到气象要素之间的非线性关系,以改善预报效果。但是数值预报产品也存在一些不足,如针对不同的天气系统数值预报偏差较大。随着人工神经网络研究技术的发展,学者在神经网络结合气象预报领域也展开了大量的研究。RBF神经网络在分类、泛化及逼近能力上具备极大的优势,适合于气象预测。但是RBF网络在实际运行和应用中仍存在一些不足和障碍。如何确认隐层节点数目、隐层中心、宽度和连接权值,是建立RBF神经网络遇到的问题。粒子群算法相对其他智能算法具有参数少、全局寻优能力强等特点,被不断应用到神经网络优化。但是粒子群算法还是存在容易陷入局部最优等缺点。本文围绕径向基(RBF)神经网络隐层中心、宽度和连接权不易确认的问题,和粒子群算法(PSO)容易陷入局部等问题,以建立有效的气温预测模型目标。本文主要研究对象是基于改进PSO优化RBF神经网络的气温预测模型,主要工作如下:(1)针对时间序列分析常用方法的不足,采用RBF神经网络进行时间序列预测。总结了创建时间序列的RBF神经网络预测模型的过程。深入分析了RBF神经网络的结构特点、RBF神经网络数学模型的产生和相关参数的作用,分析了确定RBF神经网络参数的主要学习算法并指出这些算法的不足,指出使用粒子群算法是优化RBF神经网络是本文的研究重点。(2)针对RBF神经网络隐层中心、宽度和连接权不易确认的问题,采用粒子群算法寻找最优参数。深入分析了粒子群算法的基本思想和算法流程。针对粒子群算法存在易陷入局部最优值、收敛速度慢和收敛精度低的问题,总结了粒子群算法改进现状,重点分析了粒子群算法现有基于参数的主要改进方式存在的不足,包括:线性递减权重、自适应权重、随机权重和增加收缩因子等方法,分析了当前的主要位置变异粒子群算法,提出一种新的位置变异粒子群算法。(3)针对分析变异前后效果问题,分别利用已有5种粒子群算法做了融合变异,在此基础之上建立了10种RBF神经网络气温预测模型。(4)使用各个模型对气温预测,比较了变异前后的预测结果。通过对北京地区一年的气温预测,得到的预测对比情况表明,变异后的预测模型预测的趋势比较准确、偏离程度低。最后对预测测结果比较,得出融合变异的PS0优化RBF神经网络预测模型更加准确。