神经网络特有的非线性适应性信息处理能力,克服了传统人工智能方法对于直觉的缺陷,使之在包括预测领域的许多领域得到成功应用。近年来,神经网络在模拟人类认知的道路上更加深入发展,形成计算智能,成为人工智能的一个重要方向。应用Matlab语言典型神经网络的激活传递函数,网络的设计者可以根据需要调用工具箱中有关神经网络的设计训练程序,使用它能够快速实现对实际问题的建模求解。由于其编程简单,使自己能够从烦琐的编程中解脱出来,而投入到对现实问题的研究中去。在长期降水预测中,多采用均生函数、统计分析、插值拟合等方法,强调历史气候数据和未来降水的非线性关系,预测比较复杂[1? 3]。这些方法在不同气候预测中体现出各自的优势,但同时也因其均给出了具体的函数关系,这就意味着将降水变化规律化、公式化;然而,区域降水的演变趋势往往是复杂的、动态的,因此该类方法限制了预测的准确性。区域降水变化的驱动因素非常复杂,目前还难以找到合适的表征降水变化的气候因子或其组合,其相关研究仍在进一步探索之中。而人工神经网络的预测方法建立在对输入和输出变量的非线性映射之上,它只和训练样本和目标有关。该方法不仅克服了具体函数表达式的局限性,还能通过学习、训练过程选择相对最优网络对目标值进行预测。本文使用Matlab神经网络工具箱,基于人工神经网络的预测原理,并将BP网络模型引入到降水量预测领域,以文登市1953-2003年的降水量基础,构建了区域降水量的多输入多输出的前向型BP网络和反馈型Elman网络预测模型,分别预测了该区未来10年的季度和年度降水量的变化趋势,并进行了对比分析。计算结果表明,BP模型应用于降水量预测具有较高的预测精度和良好的泛化能力,它为信息社会的降水量预测工作提供了一种全新的思路和方法。从预测的结果可以看到BP网络和Elman网络对历史数据的逼近效果非常好,网络的预测符合历史发展曲线。预测结果表明Elman网络的预测值和Bp网络的预测值有一些不同,但是差别不大,在网络收敛的情况下,Bp网络和Elman网络有相近的输出,但Elman网络进一步验证了预测的可靠性。此例主要是说明应用人工神经网络技术来预报长期降水不仅对输入数据有较好的拟合,还可以利用多输出来检测网络预测性能。更主要的是人工神经网络预测不需要知道预测因子和预报量的函数关系。由于BP网络和Elman网络有较强的非线性映射能力,避开了预报因子与预报量的确定函数关系。同时又因为网络的黑箱效果,没有把预测因子和预报量的非线性关系限制在多项式等简单函数上,增强了预测的可靠性。