改进BP神经网络在城市环境大气污染分季节预报中的应用

用泛化改进后的BP神经网络模型，选用2001、2002、2003年的气象因子和环境监测浓度资料按年度、季节分别建立预报模型，对贵阳市城市大气污染浓度进行预报。该方法除弥补了统计方法的预报精度不高和数值预报模式的方法复杂难实现的不足之处外，还很好地解决了未改进的BP网络训练误差很小时，一个新的输入与对应的目标输出具有较大误差的问题。     

遗传算法进化设计BP神经网络气象预报建模研究

利用遗传算法进化设计神经网络的结构和连接权,并针对遗传算法局部调节能力比较弱的问题,采用从进化后的神经网络中用训练样本再次寻优的方法,建立神经网络气象预报模型,该方法克服了神经网络极易陷入局部解和遗传算法局部调节能力比较弱的问题,以广西的月降水量进行实例分析,计算结果表明该方法预报精度高、而且稳定。     

一维积云模式初始参数优化的研究

福建省人工增雨指挥系统在预报积云降水和评估增雨效果中曾采用一维时变积云模式。关于该模式初始场的确定 ,考虑到不同天气类型对模式初始参数的影响 ,并采用了以确定敏感参数为主 ,综合考虑其他影响参数为辅的方法。经分类调试 ,证明了一维模式初始场确实与天气类型有关 ,并得到旱期降水预报率大于 75%和可预报积云云顶高度的结果。通过对模拟云和实测云高度的线性回归分析 ,以及经拟合敏感参数初始扰动温度与平均地面最高气温 ,均存在较好的相关。     

BP神经网络法在大气污染预报中的应用研究

近年来将BP网络模型应用到大气污染浓度预报中 ,并建立了大气污染物浓度的神经网络预报模型。将计算结果与监测值进行了验证 ,结果表明 :TSP的计算值与观测值之间的绝对误差为 4× 1 0 - 3～ 3× 1 0 - 2 mg·m- 3,NOX 的计算值与观测值之间的绝对误差为 5× 1 0 - 3～ 2× 1 0 - 2 mg·m- 3;且具有较好的相关性。BP模型是目前最为广泛应用的神经网络模型之一 ,它是一种简单而又非常有效的算法 ,BP神经网络法为城市空气污染预报工作提供了一种全新的思路和方法。     

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。     

BP神经网络在寒露风长期预报中的应用

运用神经网络理论建立玉林寒露风长期预报模式，该预报模式在预报实践中获得了较好的效果。     

BP神经网络在油菜花期预报中的应用

建立花期预报模型,发布观赏性植物的精准花期预报,为旅游活动提供重要参考依据,已经成为气象服务领域一个新的发展方向。为了解高淳旅游区油菜花期的变化规律,探索其预报方法,指导高淳油菜花节旅游活动,根据1985—2010年高淳站日最高气温、日最低气温、日平均气温、日降水量、日日照时数、日平均5 cm地温、日平均相对湿度和日小型蒸发量等气象观测数据,利用主成分分析法,得到其与油菜花期相关系数较大的3个主成分,即温度因子、天气因子和辐射因子,以此为输入因子,建立基于BP神经网络的油菜花期预报模型,探讨BP神经网络在花期预报领域的应用。结果表明,传统的有效积温方法预报结果与实际开花期平均相差4.25天,BP神经网络方法预报结果与实际开花期平均相差1.5天,与有效积温预报油菜花期的方法相比,BP神经网络技术具有预测结果准确率高和操作简单等特点,在花期预报领域具有广阔的应用前景。     

BP神经网络在图像字符识别中的改进和应用

传统BP神经网络算法虽然具有良好的学习能力和容错能力,但是收敛速度慢,易陷入局部极小点等缺点制约了它的进一步发展和应用.针对这些不足,采用自适应学习率结合附加动量因子的方法可以有效缩短训练时间,加快收敛速度,同时抑制寻优算法陷入局部极小点.将该算法应用于图像字符识别系统中,通过一系列实验优化系统参数之后给出系统识别结果,表明该系统识别具有较高的准确性和鲁棒性.     

神经网络在气象观测资料优化中的应用研究

利用一种改进的BP算法，对气象观测资料进行优化处理，并把神经网络方法看作是时间序列方法的扩充。利用该算法提出了基于空间相关、时间相关、模式相关三种资料优化处理方案，为气象观测资料的优化提供了一条新方法。利用文中的方法，对黑河地区的观测资料进行了修正实验，取得了比较满意的结果。     

BP神经网络在多普勒雷达降水量的估测中的应用

利用2005年4次降雨过程的多普勒雷达体扫的回波强度资料及相应的雨量计观测资料, 通过BP神经网络方法来估测临沂地区的降雨量, 同时以改进的最佳窗概率配对法建立的Z-R关系估测的降雨量为对照, 进一步验证BP神经网络方法的优越性。根据各个站点的平均相对误差、 均方根差、 相关系数和相关曲线斜率4个指标的比较, 小时雨量和累计降雨量估测结果表明： BP神经网络估测精度要明显优于Z-R关系式, 训练样本的精度高于检验样本的精度, BP神经网络估测的降雨量与站点实测雨量吻合性较好, 能够较真实地反映地面降雨情况; Z-R关系式估测的降雨量随着雨强的不同表现为不同程度的低估现象。     

利用双隐层BP网络进行雷暴潜势预报试验——以太原为例

利用太原地区探空资料,结合闪电定位资料,采用神经网络法对太原地区雷暴天气进行潜势预报.选取与雷暴发生相关性较好的探空因子作为预报因子,对其进行归一化处理,输出采用两级分类,构建双隐层的BP网络,并应用独立样本进行预报检验.结果表明,在相同条件下,与单隐层BP网络相比,双隐层BP网络显示了其在解决分类问题上的优势;与多元统计回归法相比,双隐层BP网络获得更高的雷暴预报TS评分及更可靠的结果,显示出神经网络良好的非线性问题处理能力.并且对雷暴预报结果的规律进行了分析与讨论,说明探空因子与雷暴的发生有着密切的联系.     

BP神经网络在长期天气过程预报中的应用试验

采用误差反传前向网络(简称BP网络)方法,以日、月相概率作为输入因子,建立长期天气预报模型。结果表明,模型的业务预报试验效果比较理想,对较大降水和升(降)温过程均有一定预报能力,相对于传统的单纯运用日、月相概率预报长期天气过程的方法,BP神经网络方法具有预报较客观、准确率较高等特点,在目前长期天气预报理论和数值预报模式尚不能用于实际业务的情况下具有较大的应用价值。     

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。     

Study on the Overfitting of the Artificial Neural Network Forecasting Model

Because of overfitting and the improvement of generalization capability (GC) available in the construction of forecasting models using artificial neural network (ANN), a new method is proposed for model establishment by means of making a low-dimension ANN learning matrix through principal component analysis (PCA). The results show that the PCA is able to construct an ANN model without the need of finding an optimal structure with the appropriate number of hidden-layer nodes, thus avoids overfitting by condensing forecasting information, reducing dimension and removing noise, and GC is greatly raised compared to the traditional ANN and stepwise regression techniques for model establishment.     

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。     

BP人工神经网络法在大同市日极大风速预报中的应用

文章利用2010年1月1日—2013年12月31日逐日NCEP再分析资料(1°×1°)和大同地区地面常规观测资料,采用BP人工神经网络法建立大同市分站点、分季节日极大风速人工神经网络预报模型并且在对T639数值预报产品和EC细网格数值预报产品释用基础上建立了台站日极大风速的客观预报系统,对2015年9月1日—2016年7月31日进行了24h预报,试用结果显示,各季模式平均绝对误差在3.2~5.7m·s^-1之间,因此,该系统可以为预报员快速做出日极大风速的预报提供客观参考依据。     

基于改进EMD算法和BP神经网络的SST预测研究

海洋表面温度(Sea Surface Temperature,SST)具有非平稳、非线性的特征,直接将处理平稳数据序列的方法应用到非平稳非线性特征明显的序列上显然是不合适的,预测的误差将会很大。为了提高预测精度,更好地解决非平稳非线性序列预测的问题,本文以东北部太平洋(40°N~50°N、150°W~135°W)区域的月平均海洋表面距平温度为例,首先分别应用集合经验模态分解(EEMD)和互补集合经验模态分解(CEEMD)方法将SST分解为不同尺度的一系列模态分量(IMF),再运用BP(Back Propagation)神经网络模型对每一个模态分量进行分析预测,最后将各IMF预测结果进行重构得到SST的预测值。数值试验的结果表明,CEEMD分解精度比EEMD分解精度高,CEEMD提高了基于BP神经网络的预测精度。系列试验统计分析说明应用这种方法对SST的1年预测是有效的。     

基于BP神经网络的北京夏季日最大电力负荷预测方法

利用2006~2017年北京夏季（6~8月）逐日最大电力负荷和同期气象资料,分析最大电力负荷与各种气象因子的相关性,基于BP（Back Propagation）神经网络算法,建立了两种夏季日最大电力负荷预测模型并对比。结果表明:北京夏季周末基础负荷远小于工作日,剔除时应加以区分;气象因子对气象负荷的影响具有累积效应,累积2 d时两者的相关性最强;结合实际,根据自变量的不同分别建立了两种日最大电力负荷预测模型;经实际预测检验,两种预测模型均取得了较好的预测效果,能够满足电力部门的实际需求,其中自变量中加入前一日气象负荷的模型效果更优。     

人工神经网络法反演晴空大气湿度廓线的研究

高光谱分辨率大气红外探测器AIRS(Atmospheric Infrared Sounder)作为第一个超高光谱大气红外探测仪,开辟了卫星大气探测的新时代.以无线电探空值与SARTA(Stand-Alone Radiative Transfer Algorithm辐射传输模式)v1.05版的前向模式模拟出的AIRS辐射...