论文部分内容阅读
预报业务方法的研究一直是国内外所探讨的热点课题之一。本文首先针对均生函数(MGF)一最优子集回归(OSR)方法建立的模型预报误差大、精度低等问题,以及反向传播(BP)神经网络选取学习矩阵难,而利用均生函数选取的序列无法保证全局最优等问题,提出了一种新的MGF-OSR-BP模型。此模型利用均生函数方法对原始序列进行延拓,然后利用最优子集回归方法从均生函数延拓序列中筛选出全局最优的序列作为BP神经网络学习矩阵,建立预报模型。本文利用这种新的MGF-OSR-BP模型对杭州市1956-2008年53年降雨量进行了研究,以1956-2006年降雨量为训练样本,以2007-2008年作为检测集资料。实验结果发现这种新的MGF-OSR-BP模型预报准确率高于MGF-OSR模型和均生函数逐步回归模型,MGF-OSR-BP神经网络模型对样本预报的平均相对误差是4.45%,MGF-OSR模型对样本预报的平均相对误差为13.75%,均生函数逐步回归模型对样本预报的平均相对误差为17.6%。然后本文又针对BP神经网络连接权选取的盲目性和随意性,容易陷入局部极值的问题,利用遗传算法(GA)全局搜索的优势,优化BP神经网络。本文采用均生函数方法与最优子集回归方法相结合选取全局最优的BP神经网络的训练集,在此改进的基础上,利用遗传算法优化BP神经网络的初始连接权,选取最优值,构建一种新的基于GA优化MGF-OSR-BP神经网络模型,并尝试着将此新的预报模型应用于新的领域,即覆冰期电线覆冰厚度的预报。这种新的基于GA优化MGF-OSR-BP神经网络模型在覆冰期电线覆冰厚度预报实验中,结果表明预报效果好于其他的方法,预报精度较高。这种新的预报模型对样本预报的平均相对误差为121.11%,而传统的逐步回归方法对样本预报的平均相对误差为144.81%,MGF-OSR-BP模型对样本预报的平均相对误差为137.96%。