基于matlab的主成分rbf神经网络降水预报模型

《基于matlab的主成分rbf神经网络降水预报模型》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、第24卷第6期热带气象学报Vol.24，No.62008年12月JOURNALOFTROPICALMETEOROLOGYDec.，2008文章编号：1004-4965(2008)06-0713-05基于MATLAB的主成分RBF神经网络降水预报模型12农吉夫，金龙(1.广西民族大学数学与计算机科学学院，广西南宁530006；2.广西区气象减灾研究所，广西南宁530022)摘要:以前期500hPa高度场、海温场为预报因子，采用径向基函数(RBF)神经网络与主成分分析相结合的方法，建立了广西中部5月平均降水预报模型。在5年独立样本的预测检验中，预测的平均相对误差、均方误差

2、及平均绝对误差分别为18.12%、50.52和34.23。对比分析RBF神经网络与BP(BackPropagation)神经网络的预测结果，表明RBF神经网络预测结果更准确、精度更高。关键词：月平均降水量；主成分分析；RBF神经网络中图分类号：P426.62文献标识码：A播算法有机地结合，优势互补，并应用于流域面雨1引言量预报。以广东省东北部的滨江流域为试验区域，利用最优子集回归技术进行预报因子筛选，建立了目前，降水预测经常采用统计学的方法，统计流域面雨量预报的GA-BP神经网络模型，取得了满模型一般采用回归分析方法，对事先选定的因子进意的结果。何慧等[3]利用500

3、hPa月平均高度距平行筛选和系数求解。但所选的因子之间有时会存在场派生出涡度变化、经向风切变、纬向风切变等变严重的相关性，这种相关性有时会对预测的效果产量场。从1958~2001年6月500hPa月平均高度距生较大的影响。而主成分分析可以有效地解决变量平场及其派生变量场中选取预报因子，并将各个场之间的多重相关性问题。降水预测模型的预报因子中的因子分别作EOF分解，得到浓缩了初选因子变主要考虑北半球月平均500hPa高度场、北太平洋量大部分信息的综合预报因子，用以建立同月的广海温场等因素，由于降水系统比较复杂，一般月平西月降水量的BP神经网络预报模型。独立样本试均降水量

4、的年际变化十分复杂，并且影响降水的物验结果表明，利用同期综合因子建立的BP神经网理因子之间的相互作用，具有明显的非线性特征，络降尺度预报模型的拟合精度优于利用前期综合因因而依靠线性统计方法很难反映这些非线性特征，子建立的预报模型。而神经网络方法具有很强的处理非线性问题的能但是在人工神经网络的理论研究中，并未涉及力。到如何构造神经网络学习矩阵的问题，而且，前馈自1990年代以来，国内大气科学领域也开展了神经网络也存在一些问题，如学习训练收敛速度慢大量的人工神经网络研究，并取得了显著成就。胡或不收敛。而对实际短期气候预测中的旱涝灾害预[1]江林等探讨了基于人工神经网络模型

5、的暴雨预报报问题，如何根据旱涝灾害的特点，构造出合理反方法，2000年的汛期试验表明该预报方法可明显地映预报系统变化特征的学习矩阵是非常重要的。本改进数值预报模型的暴雨落区预报，在业务预报中文主要利用主成分分析构造神经网络学习矩阵，将[2]有较好的应用。谷晓平等通过采用遗传算法优化主成分分析与RBF神经网络相结合，建立广西中部网络初始权重的方法，将遗传算法和前馈误差反传月平均降水预测模型。收稿日期:2007-07-30;修订日期：2007-12-28基金项目：国家自然科学基金项目(40675023)；广西民族大学青年科研基金项目(2007QN23)共同资助通讯作者:农

6、吉夫，男，广西东兰人，硕士，主要从事概率统计及气象预报建模研究。E-mail:njf93471@163.comPDFcreatedwithpdfFactorytrialversionwww.pdffactory.com714热带气象学报24卷在各个变量上的系数；第二列是第二主成分的系2基于主成分分析的RBF神经网数，……，以此类推。score是一个n行m列的矩阵，第一行代表第一条信息的m个主成分分值，第二行络及其实现代表第二条信息的m个主成分分值，……，以此类主成分分析[4]是研究多个变量间相关性的一种推。latent为m维列向量，它代表每条信息到样本中心的距离，数值

7、越大表示此点离样本中心越远。多元统计方法。通过少数几个主分量解释多变量的2tsquare为T统计量。方差，即导出少数几个主分量，使他们尽可能完整在Matlab6.5中，设计RBF神经网络的函数命地保留原始变量的信息，且彼此不相关，以达到简令是化数据的目的。net=newrb(P,T,goal,spread,MN,DF)径向基函数(RBF)神经网络是由Moondy和其中，P和T分别为输入样本向量、输出目标向量；Darken于1990年代提出的三层前馈神经网络。RBFgoal为网络的目标误差；spread为一扩展的常数；神经网络是一种性能良好的前向神经网