人工神经网络模型技术综合了数理统计、神经计算、符号逻辑等人工智能理论技术,是一种非线性动力学系统,不需要建立复杂的数学模型且具有非线性映射能力强等优点。太阳辐射资源作为一种绿色资源,其开发利用对经济社会的发展有着重要意义。影响太阳辐射的因素有很多,其中经纬度和海拔等具有一定的确定性;而日照时数、大气含水量等影响因素则具有一定的随机性,导致总辐射序列既有确定性又包含随机性,因此,自20世纪90年代以来,人工神经网络模型已成为估算、预测太阳辐射资源的重要方法。然而,选用的神经网络模型不同及处理模型输入和输出数据的算法不同,直接关乎着预估精确度的高低。本文分别采用广义回归神经网络(GRNN,Generalized Regression Neural Network)模型和Elman神经网络模型对山东烟台福山的日总辐射曝辐量进行了预估,并讨论了小波分析对广义回归神经网络模型预估结果的影响,结果如下:(1)采用广义回归神经网络模型对山东烟台市福山气象站2000-2003年日总辐射曝辐量进行预估。模型通过交叉验证方法确定其关键参数(光滑因子),以日照时数、平均气压、平均气温、日最高气温、相对湿度、气溶胶光学厚度六个变量作为输入量。结果显示:广义回归神经网络的平均百分比误差为15.8%,均方根误差为2.18 MJ·m-2,拟合优度为0.906,且模型的预估精度和拟合优度均明显优于LM-BP网络。气溶胶光学厚度对广义回归神经网络预估结果的准确度及拟合优度影响不大。对于无太阳辐射观测的地区,广义回归神经网络模型是预估当地日总辐射曝辐量的一种有效方法。(2)采用基于小波分析的日总辐射曝辐量的广义回归神经网络模型,以日照时数、平均气压、平均气温、日最高气温、相对湿度、气溶胶光学厚度六个变量作为输入量,以太阳日曝辐量作为输出量,对山东烟台市福山气象站2000-2003年日总辐射曝辐量进行预估。最优结果出现在基于3层小波分解的广义回归神经网络预测中,当输入量分量和输出量分量都选择低频分量时,平均百分比误差为1.72%,均方根误差为0.38 MJ·m-2,拟合优度R2=0.998。基于小波分析的广义回归神经网络,整体提高了未使用小波分析的广义回归神经网络的预估精度和拟合优度。(3)采用Elman神经网络模型,同样以日照时数、平均气压、平均气温、日最高气温、相对湿度、气溶胶光学厚度六个变量作为输入向量,以太阳日曝辐量为输出向量,对山东省烟台市福山气象站2000-2003年日总辐射曝辐量进行预估。结果显示:平均百分比误差为22.3%,均方根误差为1.82 MJ·m-2,拟合优度R2=0.867。Elman网络模型与广义回归神经网络相比,优点是缩小了网络预估值与真值间的差值,降低了均方根误差,不足之处是拟合优度略低于广义回归神经网络,平均百分比误差高于广义回归神经网络,这可能是由Elman网络的局部递归结构造成的。