神经网络在天气预报中的应用

精品论文推荐神经网络在天气预报中的应用曲冰，姜盼，张蕊辽宁工程技术大学理学院，辽宁阜新 (123000)E-mail: bingbing2666qb163.com摘要：本文介绍了将人工神经元网络用于天气预报研究的情况，分析了天气预报问题的数学提法及困难所在，神经网络用于天气预报的原理，暴雨预报的特点及我们对网络模型的改 进。人工神经网络通过神经元之间的相互作用来完成整个网络的信息处理, 具有自学习和自 适应等系列优点, 因而用它来进行天气预报是可行的. 针对天气预报问题, 初步建立了基于 神经网络的预报系统。由于天气的影响因子多而复杂,时至今日,天气预报结果,尤其是长期及 超长期的天气预报结果与实际情况仍有很大的距离.在传统的天气预报中,一般是根据现有资 料,建立数学模型,从而涉及到模式识别问题。但是, 结果表明，神经网络可通过学习从原始 数据中提取足够的信息，达到较好的预报准确率。 关键词：模糊神经网络；预报系统；神经元；预报准确率1. 问题的提出自然界事物的变化与发展都有其内在规律与与因果关系，这是可预报的基础，完全随机 的发生事件是不可预报的。预报问题可分为两大类，正问题和反问题，天气预报即为反问题， 已知事物的行为、表现或实验数据，要求其内在规律，以便作预报或推测。求解反问题的一种常用方法是建立模型1，假设其规律具有某种形式，式中包含若干待 定参数，由拟合试验数据得出；另一种方法是用人工智能技术建立专家系统等智能系统。但是对于天气预报这个实际问题，由于数据的不精确性、不完备性等因素，致使以完备 性、存在唯一性、精确性等为基础的传统数学方法难以完全适用。但是人工神经网络在一定 程度上弥补了上述方法的不足。其应用较多的是隶属函数合成运算、模糊聚类2、模糊判别 模型和模糊优先比等多种方法。这些应用研究工作，不仅对改进和提高天气预报的准确性发 挥了作用，并且也为日常天气预报业务工作增加了新的工具。2. 基本原理2.1 预备知识BP (Back Propagation)神经网络3是一种神经网络学习算法。其由输入层、中间层、输出 层组成的阶层型神经网络，中间层可扩展为多层。相邻层之间各神经元进行全连接，而每层 各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后， 各神经元获得网络的输入响应产生连接权值（Weight）。然后按减小希望输出与实际输出误 差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。此过程反复交替进行，直 至网络的全局误差趋向给定的极小值，即完成学习的过程。（1）BP 算法的原理BP 算法的原理既是梯度4搜索。BP 算法的基本思想是在网络的学习过程中使用梯度搜 索技术;利用误差向后传播修正权,从而实现网络的实际输出与期望输出的均方差最小化。（2）BP 网的前馈计算设网络某一层中（隐层或输出层）第 j 个节点在给定一个固定样本时，总输入 net j 有- 1 -net j= oi wij ，其中 oi 是上一层节点 i 的输出， wij 是上层节点 i 与本层节点 j 的联接权i重， net j 经过一个 s 函数变换成神经元 j 的输出 a j ，即 o= f (net) = 1看公式1=e 11j s j111 + e net j='f ' s ( ) = 1 + e ( )21 + e ( )2=1 + e 1 =1 + e f s ( )1 f s ( )1 + e1 + e（3）权值 wij 的修改方法先定义网络在给定输入时产生的误差，e =1 (t o )22 j，wij 的修正原则是使误差 ejj趋于最小，即 wij 应沿梯度下降方向（关于 e ）来修正，即取率。BP 网络结构图如下：w ij= ew ij, > 0 为修改概x1y1x2 y2嗡 嗡 嗡 嗡 嗡 嗡嗡 嗡 嗡 嗡 嗡 嗡xn图 1 BP 网络模糊拓扑结构图2.2 BP 算法的步骤（1）初始化 在依据实际问题（输入变量和输出变量个数）给出网络连接结构，随机地设置所有联接权值为任意小。（2）提供训练集输入变量为 n 个，输出变量为 m 个。 这里 x1 , x2 .xn 是输入变量，期望输出t1 , t 2 .t m 。（3）计算网络的计算输出- 2 -yn- -利用函数 f ( ) =1和 o =f (net)，逐级计算各层节点（不包括输入层）的输1 + e jj出值，令最后的输出为 o1 , o2 .om 。j（4）权值 wij 调整 用递归方法从输出点开始返回到隐层节点，按下式调整权值5wij (N + 1) = wij (N ) j oi若节点 j 为输出层节点时，则 j= o j(1 o)(o t j )若节点 j 为隐层层节点时，则 j= o j (1 o j ) k w jkjk（5）返回（2）步，重复之，直到误差 e 满足为止。3. BP 网络的气象应用近几年, 人工神经元网络的BP模型受到气象工作者的关注,开始在降水、台风、暴雨、 干旱预报和识别人工降水条件等方面进行应用, 取得一定效果。气象领域应用BP模型6训练 人工神经元网络, 主要是为了建立预报工具。人们不仅关心训练阶段如何识别历史样本, 更 关心实际预报阶段对未来事件的识别能力。作为一种数学方法, BP模型只解决对历史样本的 识别, 不能考虑识别能力中包含多少对未来预测的有效成分, 所以要结合气象特点利用BP 模型。目前的作法大致有以下三方面。（1）输入信息适当的预加工。（2）对样本总体训练精度规定适当的阈值。（3）选用合适的模型参数。4. 日平均气温的模糊神经网络预报以广西桂林 2001 年 24 月共 89 天的日平均气温作为预报量，对该时期天气的资料进行 普查，从中找出 11 个相关系数达到 0.05 以上的显著性水平的预报因子7，用逐步回归方法 从中选择出 4 个预报因子用于建立预报方程。同时考虑到日平均温度序列具有明显的时滞自 相关，因此在预报因子中增加了预报量自身的 2 个后延序列，共 6 个因子。采用神经网络建 立日平均气温的预报模型，在实际预报建模中，多次迭代，误差函数趋于平稳，训练结束。 该预测模型对历史样本的学习精度是令人满意的，其拟合值与实测值的平均相对误差为8.84%。利用该预测模型进一步对检测样本集进行检验，其结果油表 1 可以看到，检测集 10 个独立样本的平均预报相对误差 9.64%，平均绝对误差 1.64.其中预报误差小于 3.0的预 报天数有 9 天，占独立预报样本的 90%。文献曾统计国家气象中心的逐日最高、最低气温的数值预报产品 48 小时的解释应用预 报（10 年平均）的平均绝对误差值为 2.48.因此可以看出利用模糊神经网络模型对天气的 预报是十分准确的，可行方案。表 1 独立样本的预报结果实测值15.113.013.115.416.116.918.822.426.320.1平均预测值17.815.3415.8414.8516.1117.718.9720.622.0421.07误差-2.79-2.33-2.740.55-0.01-0.79-0.171.814.27-0.961.645. BP 模型的特点和气象应用前景5.1 BP 模型的特点BP 模型的算法很有效,它对输入信息不加限制，应用领域广泛。只要用一批样本对网络 进行训练,就能使网络具有识别能力,扩大样本,反复训练,网络的识别能力也随之提高。它允许 分阶段多次训练,边训练边应用,使用起来比较方便。这些优点的核心是有一个较完善的自学 习功能。BP模型也有不足。从模型本身看,有关网络大小、隐层节点数、学习步长等参数大 多依经验而定,缺乏有效的理论指导；学习算法的收敛比较慢；采用梯度下降法,能使误差减 少,但不能保证找到一个全局最小解,可能只是个局部极小值。从应用上看,此算法模拟形 象思维,不考虑输入信息的物理意义及其与输出信息的内在联系,训练出来的分辨能力难免包 含不少“噪音”,尤其在训练样本较少时缺点更为突出。5.2 在气象领域的应用前景气象预测原则上都可归结为事件识别,且气象信息量特别大,处理这类问题是BP模型的 长处,所以BP模型在气象预测方面将会有广泛应用前景。当前气象业务发展已为基层台站提 供了大量信息,尤其是数值预报指导产品迅速增加,单凭个人积累经验已无法适应新的信息环 境,急需客观释用技术。BP模型可以发挥其自学习功能,成为除动力释用、统计释用之外另外 一种加工大量指导产品的客观技术。在气象人工智能方面,当前普遍研制的专家预报系统大 致反映了气象专家的逻辑思维,而形象思维尚无适当方法模拟,BP模型可以填补这方面不足。 实际上,气象预报人员中存在许多形象思维,有些预报员有一种预测天气的直觉,出现这种思 维方式的预报员,过去接触过大量天气事例,脑中形成记忆和某种识别能力。这种能力没有表 现为逻辑推理,但确实能在天气信息面前迅速作出反应,并往往超过逻辑推理。上述情况, 也 称之谓预报经验。采用BP模型和大量气象资料训练人工神经元网络,有些类似于培养一位记 忆力很强的有经验的预报员。虽然它缺乏气象基础理论知识,说不清预报理由, 但能记住历史 相似个例,对相同输入信息必定作出同样判断,这种思维能力正是专家预报系统的不足。所以, 这两类工具可以互相补充,共同为发展气象人工智能发挥作用。6. 结语通过上述分析,可知采用神经网络可以建立天气预报预测系统的数学模型，只要该模型 输入一定的训练集数据并经过训练收敛后,也就是说一旦神经网络的结构和其算法确定后, 只要输入新的数据,即可根据该模型的输出结果来确定天气情况。当然该模型的准确程度与 输入的训练样本有着密切关系,训练样本越多,专家评估结果越客观准确,该数学模型就越能 准确地根据各因素描述天气情况。因此,神经网络在天气情况预测中具有较好的应用前景。参考文献1 周春光，梁艳春. 计算智能人工神经网络·模糊系统·进化计算M. 吉林大学出版社, 2001 2 韩力群. 人工神经网络理论、设计及应用M. 北京:化学工业出版社,20023 党建武. 神经网路技术及应用.M. 北京:中国铁道出版社,2000.74 郭嗣琮. 信息科学中的软计算方法M. 沈阳.东北大学出版社,2001 5 仁善强，雷鸣. 数学模型M. 重庆:重庆