遗传神经网络在城市气象预报中的应用研究

摘要

由于神经网络方法在气象预报建模时,其初始权值和阈值难以确定,需要反复训练以确定网络结构和各种参数,这又容易导致过拟合问题,严重影响网络的泛化能力。优化BP神经网络的方法有很多,常用的是用遗传算法优化神经网络的权值阈值。但遗传算法又有其自身无法克服的缺点。针对遗传算法在初始化群体过程中,存在某些个体在初始化过程中适应度过大,在遗传算法后期适应度又趋于集中的问题,提出适应度值标定的方法,以改进遗传算法。因此,在遗传算法进行遗传算子操作运算之前先进行适应度值的标定,从而起到优化遗传算法的目的。基于上述思想,利用改进的遗传算法优化BP神经网络的权值和阈值,然后应用于北京市日最高最低气温的预测中。实验表明,改进的遗传神经网络与标准遗传神经网络相比具有一定的优越性,提高了神经网络的预测能力。

目录

致谢

摘要

Abstract

1 绪论

1.1 国内外研究现状

1.2 本文主要的研究内容

1.3 本文组织结构

2 神经网络概述

2.1 神经网络的发展

2.2 人工神经元模型

2.3 神经网络的互联模式

2.3.1 反馈型网络结构

2.3.2 混合网络结构

2.4 BP 神经网络原理及理论

2.4.1 BP 神经网络的原理

2.4.2 BP 算法

2.4.3 BP 神经网络的优缺点及应用

3 遗传算法

3.1 基本思想

3.2 算法操作过程

3.2.1 遗传算法基本要素

3.2.2 遗传算法操作流程

3.3 改进的遗传算法

3.3.1 适应度值标定

3.3.2 群体多样化

3.4 遗传算法的特点及应用

4 遗传神经网络模型的构建与应用

4.1 遗传神经网络融合技术

4.2 神经网络部分的设置

4.2.1 网络拓扑结构的确定

4.2.2 激活函数的选取

4.2.3 样本的选取与预处理

4.2.4 初始参数的设置

4.3 遗传算法部分的设置与实现

4.3.1 编码方案

4.3.2 适应度函数的确定

4.3.3 遗传操作算子实现

4.4 遗传神经网络实现步骤

4.5 遗传神经网络在气象预报中的应用研究

4.5.1 遗传神经网络在气象预报中的应用研究

4.5.2 最高最低气温预报仿真结果分析

5 总结与展望

5.1 总结

5.2 展望

参考文献

附录A 优化后的权值阈值

作者简历

学位论文数据集