PSO-FCM神经网络集成的降水预报方法研究

摘要

目前神经网络集成已经在地震强度估计、医学诊断、人脸识别等多个领域获得了成功的应用，但神经网络集成方法在大气学科的降水预报问题中的研究和应用还是比较少见。针对这一现状，论文尝试利用神经网络集成方法进行于降水预报建模研究。但是，目前比较广泛采用的集成算法—Bagging和AdaBoost 方法都存在网络结构难于确定以及网络训练对初始权值很敏感等问题，这在很大程度上影响了神经网络的泛化能力。为进一步提高神经网络集成的泛化性能，论文提出了一种基于粒子群算法和改进的模糊聚类的神经网络集成方法，简称基于PSO-FCM神经网络集成方法，其主要研究内容包括： 在模型的建立上：根据神经网络集成个体的差异度与集成的泛化能力成正比的关系，论文开展了利用粒子群算法来产生神经网络集成个体的方法研究，并为增强集成个体的多样性（差异性），对粒子群算法做了些改进：①提出一种动态的多样性函数，即根据每一次搜索得到的位置对粒子群的种群多样性进行评价，并以此决定群体中的个体是向最优个体靠拢还是散开；②对惯性系数采用0.5 ω=+rand/2的随机形式，这样可以使种群在搜索的后期避免过度趋向于某一位置。进一步，用改进的粒子群算法同时优化神经网络的隐节点个数和神经网络训练时的初始权值。最后对结论的合成方法采用选择性的平均集成，即利用模糊均值聚类对由粒子群算法生成的多个神经网络集成个体进行分类，从每一类中选择在验证集上泛化能力最强的个体参与平均集成。 在模型的输入上：利用改进的模糊聚类算法对原始的训练样本集进行聚类分析，将与预报样本因子具有相似或相同属性的样本归为一类作为新的训练样本集，以此排除训练样本集中的与预报样本因子差异较大的样本，从而提高单个个体神经网络的泛化能力。 通过对上述集成模型的构造和模型输入的研究，建立了一种基于神经网络PSO-FCM集成的降水预报模型。为了考察所提出的降水预报模型的预报能力，论文以2002 至2005年5-6月（共217天）中国气象局的T213模式和日本细网格降水模式48 小时预报场等数值预报产品资料为基础，建立了基于PSO-FCM神经网络集成的逐日降水预报模型，并以广西西南部2006年前汛期（5-6月）逐日平均降水量作为预报对象，进行逐日预报试验：首先对T213模式和日本数值天气预报模式的数值预报产品与预报对象的相关性进行普查，找出成片的高于0.05 显著性水平且相关符号相同的格点区，分别在正、负相关区内选取相关系数绝对值平均最大的2个相邻格点，计算这2个格点的物理量平均值作为待选的正、负相关因子。进一步对这2个待选的正、负相关因子进行组合处理，即把同一个物理量的正、负相关因子相减，得到组合物理量因子，最后得到42个初选预报因子（41个T213因子，1个日本格点降水预报因子）。其次在保留高相关预报因子（日本降水预报格点）的前提下，对初选预报因子群利用逐步回归方法进一步进行因子筛选，得到神经网络输入因子个数分别为4个。最后利用论文建立的PSO-FCM 神经网络集成方法以2002 至2005年5-6月共217个样本作为建模样本，对2006年5-6月份共56天进行逐日降水量进行预报试验，所得到的预报平均绝对误差为5.18mm（分类数为8）。为了验证论文建立的基于神经网络集成降水预报模型的有效性,论文用目前流行的两种神经网络集成—Bagging和AdaBoost 方法对相同的降水预报试验数据,以相同的建模样本建立降水预报模型，对2006年5-6月份的降水量进行了56天逐日预报建模试验,得到这两种模型的预报平均误差分别为6.70mm（隐节点为4）和6.26mm（隐节点为4）。相比较而言论文提出的神经网络集成方法比目前较为广泛使用的神经网络集成方法的预报精度有了明显的提高，其中相比于Bagging 集成算法的预报精度提高了20％，而相比于Boosting 方法也提高了15％。为了考察神经网络集成方法应用于实际降水预报的可行性，论文还将集成方法的降水预报精度与目前中国气象局的T213 预报模式（目前气象业务部分主要参考的客观预报工具）的预报精度做了进一步比较，结果表明T213 预报模式对2006年5-6月份降水量的预报平均绝对误差为8.74mm，这比传统Bagging和AdaBoost 集成方法的预报绝对误差增大了23.3％和28.7％，比论文提出的PSO-FCM集成降水预报模型的预报绝对误差更是增加40.7％。 综合上述的结果分析可知，论文的研究成果对降水预报领域的建模研究和应用具有很好的应用推广前景。