主成分分析法在神经网络集成预报中的应用

本文将主成分分析方法引入到用神经网络作集成预报中,根据各个主成分的方差贡献的大小来确定所需主成分的个数,在此基础上,对集成预报的原始因子进行重构,以达到对数据进行降维,加快计算速度和提高预报准确率的目的。     

基于RBF神经网络的人脸识别研究

针对人脸识别技术中存在的高维问题、小样本问题和非线性问题展开研究.围绕人脸特征提取,采用基于主成分分析和Fisher线性鉴别来克服在人脸识别中的小样本问题,同时将人脸图像从高维空间映射到低维空间从而解决了高维问题;在分类识别方面,采用具有很强的非线性映射功能的RBF神经网络进行模式分类,能够解决人脸识别中的非线性问题.在ORL人脸数据库上进行的仿真实验表明,该方法进行人脸识别具有较高的识别率.     

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.     

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。     

神经网络BP模型用于月降水预报的研究

采用神经网络ＢＰ型三层映射模式，以南京１９４６－１９８５年４０年月雨量为基础序列，确定三层模式的形式。通过不断调整权重系数，作出１９８６年１－１２月的月雨量长期预报，又用同样方法但改用前一个月的实测值报后一个月的月雨量作出１９８６年各月的月雨址预报。平均绝对误差分别为６．０７ｍｍ和５．７３ｍｍ。对１９９４年６、７、８、９月月雨量以４个不同的起始值进行神经网络预测，都得到１９９４年夏季南京特旱的结果，与实测结果相同。     

基于主成分分析的人工智能台风路径预报模型

利用主成分分析可以从具有随机噪声干扰的气象场提取主要信号特征,排除随机干扰的能力,论文以1980～2010年共31年6～9月西行进入南海海域的台风样本为基础,综合考虑台风移动路径的气候持续因子和数值预报产品动力预报因子,采用主成分分析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,以进化计算的遗传算法,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,进行了分月台风路径预报模型的预报建模研究。在预报建模样本、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了预报试验,试验对比结果表明,前者较后者在6、7、8和9月份台风路径预报中,平均绝对误差分别下降了7.4%、4.8%、12.4%、17.0%。另外,论文进一步在初选预报因子和样本个例相同的情况下,通过比较新模型与直接采用主成分分析方法选因子并分别运用逐步回归和遗传—神经网络集合预报模型进行计算的预报精度差异表明,前者具有更高的预报精度,其原因是该方法挖掘利用了全部备选预报因子的有用预报信息,而且遗传—神经网络集合预报模型的是由多个神经网络个体预报结果合成,集合模型的各个神经网络个体的网络结构,是通过遗传算法的优化计算确定的,因此,该集合预报模型的泛化能力显著提高,在实际天气预报中具有较好的实用性和推广价值。     

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.     

流行性感冒爆发气象条件主成分分析

文章对1970-1989年北京、天津和石家庄市流行感冒爆发期间温度、湿度、降水量等9个旬平均气象条件进行主成分分析，前3个主成分的方差贡献率占总方差的81.94％。前3个主成分的特征向量表明，利于流行性感冒病毒传播流行的气象条件依次是：①旬平均湿度低、降水和蒸发量小（第一主成分方差贡献率占总方差的37.8％），②旬平均风速和蒸发量小、辐射较弱（第一主成分方差贡献率占总方差的25.37％）；③气压和地表温度升高（第三主成分方差贡献率占总方差的18.77％）。     

基于卷积神经网络的逐时降水预报订正方法研究

应用2017—2018年5—9月福建省观测资料对华南区域中尺度模式(GTRAMS-3 km-RUC)预报进行站点检验,建立和训练基于卷积神经网络的逐时降水分级订正模型,并与频率匹配法进行2017—2018年测试集的对比试验和2019年数据集的模拟业务检验,探讨了试验过程中遇到的样本不均衡、特征变量选取以及模型过拟合问题。结果表明:模式对于15 mm·h^-1以上降水的预报能力弱,各订正方法对原始预报均有不同程度的改进作用。从评估指标来看,基于卷积神经网络的订正方法比频率匹配法表现出优势,其中相关系数判别方案下的网络模型对强降水预报的订正效果显著优于其他方法;在输入特征变量选取方面,应用主成分分析方案的模型训练收敛速度比相关系数判别方案更快,最佳训练期有所提前,但也更早进入严重的过拟合状态,而相关系数判别方案能够使网络模型的训练拥有更长的提升期以达到更具"潜力"的状态;基于卷积神经网络的订正方法对减少分类降水预报的漏报率、晴雨和弱降水预报的空报率具有显著作用,其优化程度明显超过频率匹配法。     

月降水量的神经网络混合预报模型研究

以均生函数表征预报量自身周期变化，结合500hPa月平均高度场和月平均海温场预报因子，采用神经网络方法建立了一种新的短期气候预报模型。分别以广西桂北、桂中和桂南6月降水量作为预报对象进行预报试验，结果表明，这种新的预报方法比均生函数回归预报模型及高度场、海温场预报因子的回归预报模型，具有更好的物理基础和预报能力。     

神经网络在水位预报中的研究

根据各站点降水资料,运用高斯权重客观分析原理计算广西区域的面雨量,以上游面雨量值、水位值与西江流域的梧州水位进行相关分析,找出基于水位的主要预报因子;进一步采用人工神经网络与主成分分析(PCA)相结合的方法进行了西江流域梧州水位的预报方法研究。计算结果表明,该预报方法所构造的预报模型对历史样本拟合精度高,试报效果也较好,可在预报业务中应用。     

DOWNSCALING FORECAST OF MONTHLY PRECIPITATION OVER GUANGXI BASED ON BP NEURAL NETWORK MODEL

Variables fields such as enstrophy, meridional-wind and zonal-wind variables are derived from monthly 500 hPa geopotential height anomalous fields. In this work, we select original predictors from monthly 500-hPa geopotential height anomalous fields and their variables in June of 1958 - 2001, and determine comprehensive predictors by conducting empirical orthogonal function (EOF) respectively with the original predictors. A downscaling forecast model based on the back propagation (BP) neural network is built by use of the comprehensive predictors to predict the monthly precipitation in June over Guangxi with the monthly dynamic extended range forecast products. For comparison, we also build another BP neural network model with the same predictands by using the former comprehensive predictors selected from 500-hPa geopotential height anomalous fields in May to December of 1957 - 2000 and January to April of 1958 - 2001. The two models are tested and results show that the precision of superposition of the downscaling model is better than that of the one based on former comprehensive predictors, but the prediction accuracy of the downscaling model depends on the output of monthly dynamic extended range forecast.     

湛江降水量的径向基神经网络预测模型

以湛江地区50年来的月降水量为时间序列,利用高斯径向基函数,选择输人窗口（时滞）大小为6,建立了一种智能型的径向基函数神经网络预测系统,并分别对1991—2000年和2001-2003年的月降水量进行了测试预报和独立样本预测。结果显示,该模型预测效果明显优于传统的线性自回归预测模型,各月平均的平均绝对误差（MAE）和均方误差（RMSE）达到41．8和55．7。虽然该模型对降水量的预报还存在量级偏小的系统性偏差,但它完全有可能为本地区短期气候预测提供一种客观、自动的业务预报方法。     

小波分解与SOFM-BP网络结合的西太平洋副高数值预报产品优化技术

基于1995～1997年夏季（5～8月）T106数值预报场资料,研究讨论了夏季西太平洋副热带高压面积指数的预报误差修正与预报优化问题。首先通过小波分解对预报目标进行频域分解和高频滤波,随后引入了人工神经网络BP模型与自组织特征映射网络（SOFM）相结合的方法,对副高指数的数值预报结果进行了预报优化与误差修正的训练建模。试验结果表明,所建模型能够较为客观、有效地修正副高指数的数值预报误差,优化和改进副高预报效果。     

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）。     

月平均降水量的二次规划最优组合预测方法研究

以逐步回归、均生函数和多层递阶作为月平均降水量的3种子预报方法，进一步采用二次规划计算方法，通过计算各子方法的最优非负权系数进行最优组合预测建模研究。实例计算结果表明，这种组合预测模型的预报精度优于各子方法，并具有较好的理论依据，可在实际业务预报中进行推广应用。     

基于BP神经网络的汛期降水预测模型研究

采用误差反传前向网络（简称BP神经网络）建立汛期（6-8月）降水预测模型，并与采用逐步回归方法建立的模型进行对比试验，结果表明，基于BP神经网络的汛期降水预测模型不仅对历史样本的拟合精度更高，而且其独立样本的预测检验效果也比逐步回归方法更好，是一种具有一定应用前景的汛期降水预测方法。     

基于人工神经网络的暴雨预报方法探讨

探讨了基于人工神经网络模型的暴雨预报方法。该方法仿预报员的暴雨预报思路，在动力模式的降水预报产品、环流形势场和暴雨落区之间通过人工神经网络建立非线性的统计预报模型，该模型的输入是动力模式的降水预报和初始环流形势场的扩展正交分解主成份分量，输出是预报区域的暴雨落区预报。2000年的汛期试验表明该客观预报方法可明显改进数值预报模式的暴雨落区预报，因此可望在业务预报中有较好的应用前景。     

气象卫星云图的多分辨小波分解及人工神经网络降水估计研究

采用多分辨小波分析对卫星图象进行预处理 ,在保留其特征信息的同时 ,减小了数据量 ,改善了神经网络训练过程的收敛性能 ,提高了处理速度。采用这一方法根据 GOES- 8的红外亮温图象和气象雷达资料对巴西圣保罗州中部的降水量估计进行了试验 ,取得了良好的效果。     

基于GRU神经网络与灰色模型集成的气温预报

使用传统单一模型预报气温经常出现漏报现象,最终导致预测结果不理想,精度较低。针对单一预报模型稳定性较低,随机性偏高,突发性较多的特点,在深度学习理论的基础上,提出一种采用门控循环单元(GRU)和灰色模型(GM)集成的方法,先分别训练两个模型,再通过权值ω将二者的预测结果进行加权组合,权值ω适当调整模型,改善模型的预报结果,提高模型的预报精度,并加快了运行速度,并且其普遍适用性和应急突发能力得到巨大改善。实验表明,将GRU神经网络加入灰色模型进行气温预报,效果要明显优于单一的模型,其标准差小了近一倍,从而表明实验方法的可行性和有效性。