基于计算智能的多模型气象综合预报

《基于计算智能的多模型气象综合预报》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第一章绪论这个过程完成从初级信息形态到结构明晰的高级信息形态(知识)的转换。在这一过程中，人们将上述的数据团和所观测的整个空间相联系，形成天气系统状态的完整描述，并按时问序列联系起来，形成对天气演变过程的具体化认识。阶段3预测预报这是知识运用的过程。在此阶段，人们将感知阶段所获取的天气状态和过程知识，置于天气专门知识和预报经验的背景中，运用逻辑思维、形象思维等工具进行深层次的处理，形成对天气系统未来状态及演变过程的规律性认识。阶段4综合预报此过程模拟人类专家会商的机制，集多种预报模型于一体，通过对天气状态

2、及其演变过程的多角度、多侧面的认识，以期更好地预测天气系统的行为。这是知识运用的高层次阶段。§1．3人工智能方法的简要回顾【2】【3】【4】【5】【6】【7】人工智能自1956年在美国诞生以来，经过了许多的风风雨雨，对人工智能的主要方法作一简要回顾，可能会对我们有所启发：·符号(symb01)智能是传统的人工智能，它以Newell、HA．Simon的物理符号系统假设(physicalsymbolsystemhypothesis)为基础。物理符号系统假设认为：符号处理是智能的充分必要条件。只要一个系统具备处

3、理符号的能力，它就具备智能，无论它是由蛋白质、硅二极管还是由机械装置构成。60年代末、70年代初，人们利用符号表示和逻辑推理的方法，通过计算机的启发式编程，成功地建立了一种人类深思熟虑行为(deliberativebehavior)的智能模型。表明用计算机程序的确可以准确地模拟人类的一类智能行为。与此同时，人们运用同样的方法，成功地在计算机上建造了一系列实用的人造智能系统(专家系统)，其性能可以与人类的同类智能相匹敌。·计算(computational)智能包括神经计算、进化计算、模糊集合等方法。神经计算

4、又称连接主义。它在现代神经科学的研究基础上，以大量类似于神经元的处理单元通过互联组成复杂的非线性网络系统。尽管单个神经元第一章绪论非常简单，但是通过复杂的互联，神经网络却能呈现出丰富多彩的智能行为。进化计算包括遗传算法(geneticalgorithm简称GA)、遗传程序设计(geneticprogramming，简称GP)和进化策略(evolutionstrategy简称ES)等分支，它们的共同特点是模拟生态系统中的进化现象，试图通过种群的进化实现系统的自学习。模糊集合理论研究信息系统中知识不完备、不准

5、确的问题，它着眼于集合的模糊性，以连续特征函数的产生为主要计算方法，利用模糊划分的相似性关系研究集合的近似问题。·人工生命是指用计算机、精密仪器、生化手段等生成或构造表现自然生命系统行为特点的仿真系统。符号智能与计算智能都有过辉煌的成就，但是各自都有自己的不足之处，近年来人工智能界比较一致的看法是，应充分发挥各种学科、方法、系统等的优势，走综合集成之路。·综合集成是指综合各种专家学者(科学家、哲学家和工程师等)的经验和智慧，充分利用各方面的信息与数据，合理应用各学科(At、系统工程、认知心理学和逻辑学等)

6、的思想、方法和手段，发挥计算机的长处，来求解特定领域的问题，从而发挥它们的整体优势，综合集成充分体现了系统学中“摧体大于部分之和”的论题。§1．4智能气象预报系统中的综合集成策略【4】通过对天气系统复杂性的充分认识及对人类预测预报行为的深入分析，结合对人工智能方法的简要回顾，我们认为，在智能气象预报系统中应采取综合集成的策略。在本系统中，综合集成包括两个方面，其一是指：系统在实现多模型天气过程的理解的基础上，模仿人类专家会商的机制，实现具有会商功能的黑板系统集成平台。其二是指：在本系统中综合运用了人工智能

7、中的多种方法。在过程理解的过程中，以传统的符号推理为主，同时应用了模糊逻辑等计算智能的手段。在多模型集成预报阶段，采用了神经网络、进化计算等计算智能的手段。§1．5本文的主要工作第一章绪论本课题的主要任务是构造智能信息集成系统，实现对灾害性天气的多模型综合预报。本文首先对近年来得到广泛关注的计算智能及其主要技术即：人工神经网络、进化计算、模糊理论等作了比较深入的介绍和探讨。人工神经网络、进化计算是本文的重要工具。第三章用C++实现了一个通用的神经网络开发平台，平台较好地体现了面向对象的设计思想，它以小型类

8、库的形式提供给使用者，通过对类库对象及其函数的调用，可以方便地进行神经网络应用的开发。第四章在神经网络开发平台上开发了一个基于多层前向神经网络的多模型综合预报系统，利用此系统，实现了对MOS预报模型、动力诊断模型及人工智能模型三个大到暴雨模型的综合预报。并对预报效果作了检验，事实证明，系统较好地发挥了各模型的优点，克服了不足之处，取得了较好的效果。针对神经网络训练样本选择的问题，本文提出了先用自组织神经网络对样本进行聚类，再用