学位论文 > 优秀研究生学位论文题录展示
PSO-FCM神经网络集成的降水预报方法研究
作 者: 赵华生
导 师: 金龙;杨善朝
学 校: 广西师范大学
专 业: 概率论与数理统计
关键词: 神经网络集成 模糊聚类 粒子群算法 选择性集成 降水预报
分类号: TP183
类 型: 硕士论文
年 份: 2008年
下 载: 129次
引 用: 0次
阅 读: 论文下载
内容摘要
目前神经网络集成已经在地震强度估计、医学诊断、人脸识别等多个领域获得了成功的应用,但神经网络集成方法在大气学科的降水预报问题中的研究和应用还是比较少见。针对这一现状,论文尝试利用神经网络集成方法进行于降水预报建模研究。但是,目前比较广泛采用的集成算法—Bagging和AdaBoost方法都存在网络结构难于确定以及网络训练对初始权值很敏感等问题,这在很大程度上影响了神经网络的泛化能力。为进一步提高神经网络集成的泛化性能,论文提出了一种基于粒子群算法和改进的模糊聚类的神经网络集成方法,简称基于PSO ?FCM神经网络集成方法,其主要研究内容包括:在模型的建立上:根据神经网络集成个体的差异度与集成的泛化能力成正比的关系,论文开展了利用粒子群算法来产生神经网络集成个体的方法研究,并为增强集成个体的多样性(差异性),对粒子群算法做了些改进:①提出一种动态的多样性函数,即根据每一次搜索得到的位置对粒子群的种群多样性进行评价,并以此决定群体中的个体是向最优个体靠拢还是散开;②对惯性系数采用ω= 0.5+rand/2的随机形式,这样可以使种群在搜索的后期避免过度趋向于某一位置。进一步,用改进的粒子群算法同时优化神经网络的隐节点个数和神经网络训练时的初始权值。最后对结论的合成方法采用选择性的平均集成,即利用模糊均值聚类对由粒子群算法生成的多个神经网络集成个体进行分类,从每一类中选择在验证集上泛化能力最强的个体参与平均集成。在模型的输入上:利用改进的模糊聚类算法对原始的训练样本集进行聚类分析,将与预报样本因子具有相似或相同属性的样本归为一类作为新的训练样本集,以此排除训练样本集中的与预报样本因子差异较大的样本,从而提高单个个体神经网络的泛化能力。通过对上述集成模型的构造和模型输入的研究,建立了一种基于神经网络集成的降水预报模型。为了考察所提出的降水预报模型的预报能力,论文以2002至2005年5-6月(共217天)中国气象局的T213模式和日本细网格降水模式48小时预报场等数值预报产品资料为基础,建立了基于PSO -FCMPSO - FCM神经网络集成的逐日降水预报模型,并以广西西南部2006年前汛期(5-6月)逐日平均降水量作为预报对象,进行逐日预报试验:首先对T213模式和日本数值天气预报模式的数值预报产品与预报对象的相关性进行普查,找出成片的高于0.05显著性水平且相关符号相同的格点区,分别在正、负相关区内选取相关系数绝对值平均最大的2个相邻格点,计算这2个格点的物理量平均值作为待选的正、负相关因子。进一步对这2个待选的正、负相关因子进行组合处理,即把同一个物理量的正、负相关因子相减,得到组合物理量因子,最后得到42个初选预报因子(41个T213因子,1个日本格点降水预报因子)。其次在保留高相关预报因子(日本降水预报格点)的前提下,对初选预报因子群利用逐步回归方法进一步进行因子筛选,得到神经网络输入因子个数分别为4个。最后利用论文建立的PSO ? FCM神经网络集成方法以2002至2005年5-6月共217个样本作为建模样本,对2006年5-6月份共56天进行逐日降水量进行预报试验,所得到的预报平均绝对误差为5.18mm(分类数为8)。为了验证论文建立的基于神经网络集成降水预报模型的有效性,论文用目前流行的两种神经网络集成—Bagging和AdaBoost方法对相同的降水预报试验数据,以相同的建模样本建立降水预报模型,对2006年5-6月份的降水量进行了56天逐日预报建模试验,得到这两种模型的预报平均误差分别为6.70mm(隐节点为4)和6.26mm(隐节点为4)。相比较而言论文提出的神经网络集成方法比目前较为广泛使用的神经网络集成方法的预报精度有了明显的提高,其中相比于Bagging集成算法的预报精度提高了20%,而相比于Boosting方法也提高了15%。为了考察神经网络集成方法应用于实际降水预报的可行性,论文还将集成方法的降水预报精度与目前中国气象局的T213预报模式(目前气象业务部分主要参考的客观预报工具)的预报精度做了进一步比较,结果表明T213预报模式对2006年5-6月份降水量的预报平均绝对误差为8.74mm,这比传统Bagging和AdaBoost集成方法的预报绝对误差增大了23.3%和28.7%,比论文提出的PSO -FCMPSO - FCM集成降水预报模型的预报绝对误差更是增加40.7%。综合上述的结果分析可知,论文的研究成果对降水预报领域的建模研究和应用具有很好的应用推广前景。
|
全文目录
摘要 3-5 Abstract 5-9 第一章 绪论 9-17 1.1 神经网络集成概述 9-11 1.1.1 神经网络集成定义 9-10 1.1.2 神经网络集成步骤 10-11 1.2 神经网络及其集成方法在气象预报中应用研究现状 11-14 1.3 本文的主要研究内容及其安排 14-17 1.3.1 神经网络集成学习存在的问题 14-15 1.3.2 本文主要研究内容 15 1.3.3 本文的内容安排 15-17 第二章 基于粒子群算法和改进模糊均值聚类的神经网络集成方法研究 17-28 2.1 理论分析与实现思路 17-21 2.1.1 理论分析 17-20 2.1.2 实现思路 20-21 2.2 粒子群算法优化神经网络结构及其初始网络权值 21-23 2.2.1 粒子群算法介绍 21-23 2.2.2 基于PSO 优化神经网络结构及权值的具体步骤 23 2.3 基于PSO-FCM集成算法 23-25 2.4 神经网络训练样本集和验证集的确定 25-28 2.4.1 模糊C-均值算法 25-26 2.4.2 改进的模糊C-均值算法 26-27 2.4.3 基于改进型FCM 确定训练样本的实现步骤 27-28 第三章 建模试验及结果分析 28-41 3.1 试验数据处理 28-29 3.1.1 预报对象 28 3.1.2 预报因子及其处理 28-29 3.2 基于PSO-FCM神经网络集成预报建模试验 29-31 3.3 Bagging和Boosting算法的预报建模试验 31-38 3.3.1 Bagging方法 31-32 3.3.2 Boosting方法 32-34 3.3.3 Bagging和Boosting的差异及参数确定 34-35 3.3.4 Bagging和Boosting预报建模结果 35-38 3.4 试验结果分析 38-41 第四章 总结与展望 41-43 4.1 本文的总结 41 4.2 今后工作的展望 41-43 参考文献 43-49 攻读硕士期间发表的学术论文目录 49-50 致谢 50-51
|
相似论文
- 有源电力滤波器及其在配电网中的应用,TN713.8
- 土壤环境功能区划研究,X321
- 演化聚类算法及其应用研究,TP311.13
- 基于粒子群算法的露天矿道路路径优化研究,TP301.6
- 移动机器人路径规划研究及仿真实现,TP242
- 量子粒子群算法研究及其在图像矢量量化码书设计中的应用,TP301.6
- 变邻域搜索算法研究及在组合优化中的应用,TP301.6
- 电力系统电压无功控制方法研究,TM761.1
- 电力系统无功优化的混合算法研究,TM714.3
- 参数协进化的改进和声搜索算法及其应用,TP391.3
- 非汛期水库群协同优化调度与应用研究,TV697.11
- 停车诱导在智能移动终端上的设计与实现,TN929.53
- 不确定环境下供应链多时段生产采购计划问题研究,F224
- 改进二进制粒子群算法在梯级水电站AGC中的应用研究,TV737
- 基于多模型决策融合的空分过程故障检测与预报,TQ116.11
- 智能电网中蓄电池储能的价值评估研究,TM76
- 柔性路径下基于混合粒子群算法的跨单元调度方法,TH165
- 含风电场电力系统的机组优化调度研究,TM73
- 战斗力优化配置与调度研究,E91
- 基于改进智能算法的电力机车牵引变压器故障诊断技术研究,U269.6
- 基于粗糙集理论的图像分割研究,TP391.41
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论 > 人工神经网络与计算
© 2012 www.xueweilunwen.com
|