基于粗集與條件數(shù)的模糊神經(jīng)網(wǎng)絡降水預報方法研究.pdf

1、廣西師范大學碩士學位論文基于粗集與條件數(shù)的模糊神經(jīng)網(wǎng)絡降水預報方法研究姓名：史旭明申請學位級別：碩士專業(yè)：概率論與數(shù)理統(tǒng)計指導教師：金龍楊善朝20070401II了不同預報因子的逐步回歸預報方程。由預報試驗的對比得到，在建模樣本和獨立預報樣本完全相同的情況下，逐步回歸預報方法對兩個月56天降水的獨立樣本預報平均絕對誤差為7.21mm（9個因子）和6.09mm（10個因子），相比之下要大于采用屬性約簡和條件數(shù)法選擇預報因子建立的模糊神經(jīng)網(wǎng)

2、絡預報模型的預報誤差。逐步回歸方法之所以預報精度不高一方面主要是由于在建模時只考慮了對回歸模型有顯著性影響的預報因子，而沒有考慮預報因子之間的復相關關系等信息，從而影響了預報模型的預報能力；另一方面由于大氣降水預報受到大氣運動的熱力、動力、水汽條件等綜合因素的影響，具有明顯的非線性變化特點，逐步回歸方法不能反映預報因子與預報量之間的非線性關系，最終導致預報結(jié)果不如模糊神經(jīng)網(wǎng)絡模型。本文在建立模糊神經(jīng)網(wǎng)絡降水預報模型時采用的是前饋型模糊神

3、經(jīng)網(wǎng)絡，并利用前饋網(wǎng)絡的BP算法來調(diào)整參數(shù)。前饋型FNN采用的是多層前向神經(jīng)網(wǎng)絡結(jié)構(gòu)，可實現(xiàn)模糊映射關系。綜合分析以上結(jié)果，論文提出的采用粗糙集屬性約簡和條件數(shù)計算分析2種方法，提取數(shù)量較少的幾個預報因子來構(gòu)造模糊神經(jīng)網(wǎng)絡輸入矩陣，使模糊神經(jīng)網(wǎng)絡模型輸入節(jié)點大大減少，并有效減少節(jié)點之間重復信息和噪聲輸入，起到了顯著的降維去噪作用。在實際的水文、交通、經(jīng)濟和地質(zhì)災害等許多方面預報建模研究中，都會遇到面臨眾多初選預報因子，而如何從中選擇更合