基于智能计算的广西冷湿极端天气定性和定量组合预报方法研究

论文以逐日气温和降水量数据、NCEP/NCAR再分析资料以及预报场资料为基础,将表征冬季低温冷害的冷湿指数作为预报量,先利用随机森林方法进行冬季逐日冷湿极端天气定性判别预报分析,再进一步以粒子群算法为基础的模糊神经网络集成个体生成技术方法,建立一种新的非线性智能计算定量集成预报模型（PSO-FNN）,进行了广西冷湿极端天气定量预报模型的预报建模研究。结果表明,论文提出的这种以不同的智能计算方法构建的定性、定量综合预报分析方法,比较符合极端天气小概率事件的预报特点,其中随机森林算法构建的定性预报模型,对广西冷湿极端天气事件的预报TS评分（Threat Score）为0.77,空报率为0.23,漏报率为0,ETS评分（Equitable Threat Score）为0.41,TSS评分（True Skill Statistic）为0.53。而采用粒子群—模糊神经网络方法构建的极端冷湿指数定量集成预报模型比其他线性和非线性预报模型具有更好的预报精度。其中PSO-FNN集成预报模型在预报建模样本和独立预报样本个例相同的情况下,比回归方法的预报平均绝对误差下降了25%以上,比一般的普通模糊神经网络预报平均绝对误差下降了14.37%。主要原因是因为PSO-FNN集成预报模型通过改进集成个体的预报能力和增强集成个体的种群差异性,提高了集成预报模型的预报精度。因此,该智能计算集成预报模型的泛化能力显著提高,预报结果稳定可靠,为冷湿极端天气客观预报提供了新的预报工具和预报建模方法。     

基于局部线性嵌入的人工智能台风强度集合预报模型

利用局部线性嵌入算法通过学习挖掘高维数据集的内在几何结构,高效地实现维数约简和特征提取的能力,论文以2001—2012年共12年6—9月西北太平洋海域内生成的台风样本为基础,将气候持续因子作为台风强度的基本预报因子,采用局部线性嵌入的特征提取与逐步回归计算相结合的预报因子信息数据挖掘技术,以进化计算的粒子群算法,生成期望输出相同的多个神经网络个体,建立了一种新的非线性人工智能集合预报模型,进行了分月台风强度预报模型的建模研究。在建模样本、独立预报样本相同的情况下,分别采用人工智能集合预报方法和气候持续法进行预报试验。试验对比结果表明,前者较后者在6、7、8和9月24 h台风强度预报中,平均绝对误差分别下降了23.34%、24.46%、19.41%和27.45%,4个月的平均绝对误差下降了23.10%;48 h台风强度预报中,6—9月平均绝对误差分别下降了44.82%、16.73%、0.89%和49.26%,4个月的平均绝对误差下降了25.54%。进一步研究发现,在变动局部线性嵌入算法忌近邻个数的情况下,建立的台风强度集合预报模型,其预报结果稳定可靠,相对于气候持续法均为正的预报技巧水平,为台风强度客观预报提供了新的预报工具和预报建模方法。     

大气垂直运动对雷达估测降水的影响

运用雷达反射率因子（Z）与降水强度（R）之间的关系定量估测降水,降水云体中的大气垂直运动（w_a）不可忽视。PARSIVEL激光雨滴谱仪（简称PARSIVEL）在获取雨滴粒径分布的同时可以从测量的雨滴下降速度分布中提取w_a,用于分析PARSIVEL高度上的大气垂直运动对雷达Z估测降水强度影响。使用2014年5-6月华南季风降水观测试验期间广东阳江5次层状云、6次对流性降水过程中PARSIVEL数据分析大气垂直运动对定量估测降水影响,w_a对层状云和对流云降水强度影响范围分别为-0.18~1.05 mm·h-1和-5.44~24.81 mm·h-1,相对影响值分别为-13.61%~13.99%,-38.59%~25.92%。静止大气条件下,雷达估算降水Z-R关系式中系数A,b引起的层状云和对流云降水估测偏差平均分别为10.9%和25.5%。真实大气中雷达估测降水的偏差平均情况是层状云降水由于w_a的对消作用降低为9.2%,对流云降水则增加到51.2%。对流性降水中大气垂直运动对雷达估测降水的影响较大。     

时移地震非线性反演压力与饱和度变化研究

在现有研究基础上提出基于岩石物理模型和混合优化算法的时移地震反演压力、饱和度变化方法.介绍了混合优化算法原理和适用于疏松砂岩的岩石物理模型，建立了非线性反演油藏参数变化的流程.将本方法用于某油田实际数据标定的疏松砂岩岩石物理模型，分析三组地震属性组合与油藏参数的敏感性并进行油藏参数非线性反演，结果表明敏感性不同的三组地震属性组合均能得到正确结果，表明了方法的稳定性与有效性.油藏参数反演结果整体误差小，证明非线性反演方法不受油藏参数变化范围的影响，优于线性化反演方法.     

一种基于特征的人工神经网络数字识别系统模型

在进行神经网络方法的数字图像识别研究时，针对数字图像的复杂性、神经网络输入数据量巨大和学习收敛速度慢的情况，提出了基于特征的神经网络数字识别方法。设计提取了13个结构特征以组成一个13维的超空间，对13维的超平面空间的整个识别过程采用了神经网络聚类方法(其中聚类数为10)，并利用数学软件MATLAB强大的矩阵运算能力和C语言高效的代码实现了数字识别系统模型。实验结果表明，在特征差异不十分明显的情况下，识别时间和识别率仍令人满意。     

人工神经网络的短期气候定性预测方法研究

采用EOF方法将众多具有一定物理意义的环境场预报因子和序列周期因子进行降维去噪处理，并结合人工神经网络前馈网络模型，进行了影响广西热带气旋年频数和夏季(6～8月)降水量短期气候预测的定性预报建模方法研究。结果表明，该方法对于影响广西热带气旋的年频数及广西夏季降水量定性趋势具有很好的预报能力，可作为一种新的短期气候预测业务预报配套方法。     

神经网络方法在广西日降水预报中的应用

以广西前汛期5、6月区域平均日降水量作为预报对象，采用人工神经网络方法进行新的数值预报产品释用预报研究。对T213预报因子进行自然正交分解，有效浓缩数值预报产品因子的预报信息，并结合日本降水预报模式因子建立广西3个不同区域的逐日降水神经网络释用预报模型。运用与实际业务预报相同的方法对2004年5、6月进行逐日的实际预报试验，并与T213的降水预报进行对比分析。结果表明，本文建立的3个区域日平均降水量神经网络预报模型，在预报性能上明显优于同期的T213降水预报。     

影响广西热带气旋年频数的神经网络预测模型

利用人工神经网络方法，结合均生函数和逐步回归分析方法对影响广西的热带气旋年频数序列进行神经网络的预测模型研究，该模型既考虑了预报量自身显著周期变化，也考虑了海温场，高度场等因子对预报量的影响，给预报检验，考虑多种影响因子的预测模型比只考虑单一影响因素的预测模型效果好。     

人工神经网络预报模型的过拟合研究

针对神经网络方法在预报建模中存在的“过拟合”(overfitting)现象和提高泛化性能 (generalizationcapability)问题 ,提出了采用主成分分析构造神经网络低维学习矩阵的预报建模方法。研究结果表明 ,这种新的神经网络预报建模方法 ,通过浓缩预报信息 ,降维去噪 ,使得神经网络的预报建模不需要进行适宜隐节点数的最优网络结构试验 ,没有“过拟合”现象 ,并且与传统的神经网络预报建模方法及逐步回归预报模型相比泛化能力有显著提高     

TIMESERIES PREDICTION MODEL CONSISTING OF ARTIFICIAL NEURAL NETWORK AND GENETIC ALGORITHM

The paper introduces the basic concept and flow diagram of genetic algorithm (GA) and themerits and demerits of artificial neural network (ANN) as a timeseries prediction model andthereupon developed is a new model with ANN and GA in combination. Eventually, calculationsare presented with the results and model examined.