新疆巴州农区气温的多尺度变化及其预测

利用Morlet复数小波变换和最大熵谱分析了巴州农区各个季节气温的多时间尺度变化特征，利用均生函数预测模型对巴州地区气温进行预测试验。结果表明：巴州农区冬季、秋季气温年代际变化不明显，年际变化明显；春、夏季气温的年代际变化明显；四季气温均存在显著的周期变化。对2000～2002年预测试验表明，均生函数预测模型对巴州地区气温有较好的预测能力。     

多步预测的降水时序模型

该文设计了一个能作多步预报的时间序列模型，先生成时间序列及其差分的均生函数，再运用双评分准则对所有均生函数延拓序列作粗选和精选，以期建立一个拟合和预报效果均好的模型。就长江中下游6—8月降水总量的序列进行了计算，证实该模型可用在制作逐年气候预报或分月长期预报中。     

山东各区夏季降水的多步预测试验

在对山东夏季降水进行分区的基础上,用相当分析的方法分析了各区降水与前期、同期大气环流特征量及海温的遥相关关系,结果表明：山东夏季降水与大气环流特征量及海温相关性显著。在此基础上筛选因子,利用多维均生函数建模方案,对２０００年前各区及全省夏季降水趋势进行预测。     

近40年山东各水资源分区降水变化特征及多步预测时序模型

利用近４０年来山东省４１站降水资料，分析了各水资源分区降水演变特征。以均生函数为基函数，用主成分分析原理进行筛选，建立了山东省各水资源分区降水时序多步预测模型，通过计算试验，拟合，预报效果均较好。     

基于改进遗传小波神经网络的雷暴预报方法

为了进一步提高雷暴预报的准确率,在分析研究雷暴预报方法的基础上,提出了一种了基于改进遗传算法优化小波神经网络的雷暴预报方法(IGA-WNN).该方法利用聚类分析和牛顿迭代法对多种群遗传算法的收敛方向和精度进行改进,避免了种群同质化与局部最优问题,采用改进的遗传算法对小波神经网络的初始权值阈值进行了优化.选用南京地区2008—2009年6—8月的探空和闪电定位资料,使用灰关联法挖掘出关联程度较大的对流参数作预报因子,归一化处理后输入模型,采用独立样本进行预报检验.结果表明,与BP神经网络等方法相比,IGA-WNN预报准确率更高,具有更好的非线性处理能力和泛化性.     

基于SSA-MGF的BP神经网络多步预测模型

采用奇异谱分析（Singular Spectrum Analysis，SSA）方法对标准化样本序列进行准周期信号分量重建，将重建序列构造均值生成函数（Mean Generating Function．MGF）延拓矩阵作为输入因子，原样本序列作为输出因子，构建BP神经网络多步预测模型。通过实际建模并与逐步回归等方法进行对比预测试验，结果表明，基于SSA-MGF的BP神经网络多步预测模型预测效果优于其他3种模型，说明SSA的去噪及BP神经网络预报模型对于提高预测准确率是相对有效的，是一种具有较高应用价值的多步预测方法。     

神经网络综合模型预测龙江河流域汛期旱涝

应用龙江河流域金城江站水文资料、500hPa月平均环流指数、海温、太阳黑子和单站气象要素等资料,通过方差周期、多元线性回归和逐步回归分析得到的预测值,再经过神经网络综合模型进行分析,最后进行预测试验.结果表明,神经网络综合模型在龙江河流域旱涝天气预测中效果显著,可应用于业务预测.     

神经网络模型在预报湖北汛期降水中的试验

该文使用湖北省10个气象代表站汛期前期逐月降水量及逐月平均的太平洋海温、北半球500百帕高度场和海平面气压场资料,分别建立了湖北汛期总降水量的神经网络预报模型.该模型在1999年汛期的试验结果表明,其对湖北汛期总降水量的预测有一定效果.     

用遗传算法优化小波神经网络的结构

用遗传算法确定小波神经网络中输入层单元数和隐含层单元数,同时采用梯度法计算小波神经网络中的权系数、伸缩和平移系数,从而达到优化小波神经网络的结构的目的。     

月平均气温预报的神经网络BP型多层映射模式

采用神经网络ＢＰ多层映射模式，利用１９４６～１９７９（１９８０）年南京月平均气温资料序列，计算得到系统的分维数Ｄ＿０＝２．８，确定三层模式形式ｉ×ｊ＝３×２，ｋ＝１，由此作出１９８０（１９８１）年１～１２月平均气温预报值。它与实测值的相关系数为０．９７（０．９８）。如按各月资料建立序列，作１～１２月各月平均气温预报与实测值的相关系数为０．９９（０．９９）。     

Ensemble Prediction of Monsoon Index with a Genetic Neural Network Model

After the consideration of the nonlinear nature changes of monsoon index,and the subjective determination of network structure in traditional artificial neural network prediction modeling,monthly and seasonal monsoon intensity index prediction is studied in this paper by using nonlinear genetic neural network ensemble prediction（GNNEP）modeling.It differs from traditional prediction modeling in the following aspects： （1）Input factors of the GNNEP model of monsoon index were selected from a large quantity of preceding period high correlation factors,such as monthly sea temperature fields,monthly 500-hPa air temperature fields,monthly 200-hPa geopotential height fields,etc.,and they were also highly information-condensed and system dimensionality-reduced by using the empirical orthogonal function（EOF）method,which effectively condensed the useful information of predictors and therefore controlled the size of network structure of the GNNEP model.（2）In the input design of the GNNEP model,a mean generating function（MGF）series of predictand（monsoon index）was added as an input factor;the contrast analysis of results of predic- tion experiments by a physical variable predictor-predictand MGF GNNEP model and a physical variable predictor GNNEP model shows that the incorporation of the periodical variation of predictand（monsoon index）is very effective in improving the prediction of monsoon index.（3）Different from the traditional neural network modeling,the GNNEP modeling is able to objectively determine the network structure of the GNNNEP model,and the model constructed has a better generalization capability.In the case of identical predictors,prediction modeling samples,and independent prediction samples,the prediction accuracy of our GNNEP model combined with the system dimensionality reduction technique of predictors is clearly higher than that of the traditional stepwise regression model using the traditional treatment technique of predictors,suggesting that the GNNEP model opens up a vast range of possibilities for operational weather prediction.     

人工神经网络台风预报系统

系统在经大量数据训练、运算基础上，选用了ＢＰ网络模型。为适应台风路径预报，对ＢＰ网络进行了改进，应用改进后的ＢＰ网络，自动训练到２１５９次后，由神经网络输出的判定台风移向趋势－西进，北上，西北移与实际历史移行路径概括率达９７％。在业务实用时，只需在指定硬盘路径中给出系统运行的３个文件，包括天气系统主要特征参数，系统即可以人机对话形式给出当前台风移动路径概率值。     

基于主分量的神经网络水位预报模型应用研究

根据气象和水文资料，以上游面雨量、水位值为预报因子，以西江流域的梧州水位为预报量，发现预报因子与预报量有很好的相关性。采用人工神经网络与主分量分析相结合的方法，建立了梧州水位的预报模型。结果表明，该预报模型对历史样本拟合精度高，试报效果及预报稳定性明显好于传统的神经网络预报模型，可在预报业务中应用。     

基于主分量神经网络的降水集成预报方法研究

运用人工神经网络与主分量分析(PCA)相结合的方法,对同一降水预报量的各种数值预报产品进行集成预报研究.结果表明:主分量人工神经网络方法所构造的集成预报模型,不仅对历史样本的拟合精度好于个各子预报产品,独立样本的实验预报结果也显示出更好的预报准确率及稳定性.业务应用前景良好.     

BP神经网络模型在重庆伏旱预测中的应用研究

采用气象要素定义伏旱指数，利用小波分析等方法分析重庆地区伏旱变化特征，最后采用BP神经网络模型对伏旱进行预测试验，结果表明，重庆伏旱变化具有明显的阶段性特征，而基于BP神经网络模型的伏旱预测模型预测效果良好，可以应用于实际预测。     

高血压病发病率预报的人工神经网络方法研究

通过统计分析，选取影响银川地区高血压病发病率的主要气象因素，将其作为输入变量经多层前馈型神经网络的BP(Back Propagation)算法进行学习训练，建立了疾病发病率的人工神经网络(ANN，Artifical Neural Net)预报模型。结果表明：该方法计算简便、误差较小，为疾病发病率预报提供了一种新的预报方法。     

A Hybrid Neural Network Model for ENSO Prediction in Combination with Principal Oscillation Pattern Analyses

El Ni?o-Southern Oscillation(ENSO)can be currently predicted reasonably well six months and longer,but large biases and uncertainties remain in its real-time prediction.Various approaches have been taken to improve understanding of ENSO processes,and different models for ENSO predictions have been developed,including linear statistical models based on principal oscillation pattern(POP)analyses,convolutional neural networks(CNNs),and so on.Here,we develop a novel hybrid model,named as POP-Net,by combining the POP analysis procedure with CNN-long short-term memory(LSTM)algorithm to predict the Ni?o-3.4 sea surface temperature(SST)index.ENSO predictions are compared with each other from the corresponding three models:POP model,CNN-LSTM model,and POP-Net,respectively.The POP-based pre-processing acts to enhance ENSO-related signals of interest while filtering unrelated noise.Consequently,an improved prediction is achieved in the POP-Net relative to others.The POP-Net shows a high-correlation skill for 17-month lead time prediction(correlation coefficients exceeding 0.5)during the 1994-2020 validation period.The POP-Net also alleviates the spring predictability barrier(SPB).It is concluded that value-added artificial neural networks for improved ENSO predictions are possible by including the process-oriented analyses to enhance signal representations.     

基于MATLAB神经网络对大同市气溶胶浓度预测

通过对大同市2011-2012年PM10质量浓度、有关气象要素和参数进行随机抽样、分组,建立单隐含层BP神经网络、多隐含层BP神经网络以及RBF网络对以上数据进行调试和训练,得出：就2011-2012年预测PM10日均质量浓度样本而言,按预测效果好坏排序,多隐含层最佳BP神经网络＞单隐含层最佳BP神经网络＞RBF神经网络;从网络最小误差总和来看,三种网络对夏秋两季的预报效果最好;从预测值和实测值的拟合效果来看,RBF网络对春季和冬季PM10质量浓度的预测效果最好;多隐含层BP网络对秋季PM10质量浓度的预测效果最好;三种神经网络对夏季PM10质量浓度的预测效果都很好,优劣性差异不大.     

基于中尺度模式与神经网络的风电功率预测

将中尺度数值天气预报模式与BP神经网络模型相结合用于风电功率预测,以WRF模式回算了2008年6月至2009年6月试验风电场的气象要素,精度检验结果显示风速预报值与对应实测值之间的相关系数达到0.72,风向、气温、湿度、气压的预报也比较准确,满足建立BP神经网络预报模型的需要.逐一建立试验风电场40台风电机组输出功率的BP神经网络预报模型,分析了数据标准化方法、隐含层神经元数对预报精度的影响.进行了26天实效为24 h的逐10 min预报试验,并以独立样本进行预报精度检验,结果显示单台风电机组输出功率相对均方根误差在24.8％～32.6％之间,预报值与实测值之间的相关系数现在0.45～0.68之间;风电场整体相对均方根误差为19.5％,预报值与实测值之间的相关系数为0.74.研究结果表明该方法可以用于实际的风电功率预测.