资源描述：
《基于rbf神经网络马尔可夫模型的降水量预测_闭祖良》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、节水灌溉2010年第11期1文章编号:1007-4929(2010)11-0001-03基于RBF神经网络马尔可夫模型的降水量预测1112闭祖良,张展羽,朱新国,刘莉(1.河海大学水电水利学院,江苏南京210098;2.宿迁市水务局,江苏宿迁223800)摘要:降水量预测是制定抗旱防涝对策的重要依据,其预测方法是科学准确预测降水的重要手段。为提高降水量预测的精确度,应用RBF神经网络与马尔可夫相结合,建立R-M降水量预测模型,介绍了它的基本原理及算法,并给出了该模型建立的具体过程,最后将该模型应用于降水量预测工作中,实例验证结果令人满意。关键词:RBF
2、神经网络;马尔可夫;降水量预测中图分类号:S165.25文献标识码:APrecipitationPredictingBasedonImprovedRBFNeuralNetworkandMarkovModel1112BIZu-liang,ZHANGZhan-yu,ZHUXin-guo,LIULi(1.CollegeofWaterConservancyandHydropowerEngineering,HohaiUniversity,Nanjing210098,China;2.SuqianWaterAffairsBureau,Suqian223800,China)
3、Abstract:Precipitationpredictingisanimportantbaseofmakingcountermeasuresfordroughtandflood.Theselectionofforecastingmethodisalsoimportantforscientificandaccurateprecipitationpredicting.ThemodelofRBFneuralnetworkandMarkovmodelisbroughtoutinthispaperbringsout,anditsbasicprincipleaswellas
4、algorithmisintroducedindetail.Themodelbuilding-upprocessisalsointroduced.Finally,itisappliedtopredictmonthlyprecipitation,andtheresultshowsthatitispracticabletopredict.Keywords:RBFnetwork;Markovprediction;precipitationpredicting降水量预测是水资源预测的基础。科学有效地预测降水果与实际情况相吻合。在实际的水资源工作中,有时不必预测量对于合理
5、开发和优化利用水资源具有重要的指导意义。由出某一年的降水量,仅需预测出某个时段内降水的状况即可满于气象条件的多样性、变异性、复杂性及降水过程本身复杂非足工作需要。因此,预测的范围相应扩大,精度相应提高。笔线性等,使得确定的降水量模拟和预测模型难以建立,因此国者提出了一种基于RBF神经网络与马尔可夫链的组合预测方内外大多数的降水量预测方法都建立在对历史数据的统计分法,首先采用RBF神经网络,用少量的样本数据粗略拟合降水析计算的基础上。根据对数据处理方式的不同,预测方法可分量曲线,在此基础上借助马尔可夫链缩小预测区间以提高预测为时间序列法、灰色模型、多元统计、蒙特卡罗模
6、拟、频谱分析、精确度,从而为降水量预测提供一种新的思路。[1]神经网络及组合预测模型等。孙才志等建立了模糊权马尔1RBF神经网络与马尔可夫链组合预测模型可夫模型并进行了具体的应用,收到了较为满意的结果;仲远见[2]等采用改进马尔可夫链及转移概率矩阵对昆明市东川区的构建的降雨量进行分析预测,预测结果较好;沈永梅[3]等将加权马[4-6]1.1RBF神经网络学习算法尔可夫链预测模型运用到川中丘陵简阳市的降水量预测中,结RBF神经网络是由Moody和Darken在1989年提出的,收稿日期:2010-05-12基金项目:国家自然科学基金(50839002);公益性行业
7、(农业)科研专项经费项目(200903001-05)。作者简介:闭祖良(1985-),男,硕士研究生。E-mail:jonathanxiaobi@163.com。通讯作者:张展羽(1957-),男,教授,博士生导师,主要从事灌溉排水理论及技术研究。E-mail:zhanyu@hhu.edu.cn。2基于RBF神经网络马尔可夫模型的降水量预测闭祖良张展羽朱新国等它模拟了人脑中局部调整、相互覆盖接受域的神经网络结构,概率只与目前相邻两状态的变化有关,即下阶段的状态只与现具有很强的生物背景和逼近任意非线性函数的能力。它是一在状态有关而与过去无关,那么这种离散
