区域短临定量降水预报技术研究

摘要

短时强降水会引起自然灾害，从而对人民生活、社会生产和经济发展造成巨大损失。对降水进行短时临近预报可以预测数小时内的区域降水强度及其引起的自然灾害，有助于人们及时做好应对措施，尽可能的保证人民生命安全和减少财产损失。
　　本文首先采用主成分分析（PCA）法对影响降水量的相关因素进行特征提取，筛选出影响降水的主要因子，以解决因影响降水量的相关因素众多，而导致的降水预报模型输入维数过高，计算复杂，训练时间变长、收敛速度变慢、泛化能力减弱等问题。其次，采用模糊聚类算法确定径向基神经网络（RBF）隐层节点个数，并运用K均值聚类（K-means）算法对径向基神经网络降水预报模型隐含层参数进行选取。然后，针对k-means聚类算法的性能受所选初始中心的影响，且容易陷入局部最优的问题，引入具有全局优化的粒子群（PSO）智能优化算法对径向基神经网络的参数进行选取，构建了基于改进的粒子群算法优化径向基神经网络的降水预报模型（PSO-RBF神经网络）。最后以华南某地短临降水预报为例进行了应用研究，结果表明改进的PSO-RBF神经网络降水预报模型预报准确率高于传统径向基神经网络降水预报模型和标准粒子群优化的径向基神经网络降水预报模型，具有应用价值。

目录

1 绪论

1.1 研究目的与意义

1.2 国内外研究现状

1.3 研究思路和方法

1.4 本文的主要工作及结构安排

1.5 本章小结

2 相关理论与方法

2.1 基于PCA的数据降维

2.2 人工神经网络概述

2.3 RBF神经网络概述

2.4 本章小结

3 基于K-means聚类算法的RBF神经网络降水预报模型

3.1 RBF隐节点数的确定

3.2 RBF隐含层基函数中心参数的确定

3.3 RBF隐含层基函数宽度的确定

3.4 输出层权值的确定

3.5 本章小结

4 基于粒子群算法的优化RBF神经网络降水预报模型

4.1 粒子群算法

4.2 PSO算法的改进

4.3 基于种群分组的PSO改进算法及其性能分析

4.4 PSO-RBF神经网络降水预报模型

4.5 本章小结

5 应用研究

5.1 RBF神经网络降水预报模型应用框架及实验环境

5.2 预报区域降水数据处理

5.3 区域短临降水预报

5.4 区域降水预报结果分析

5.5 本章小结

6 结论与展望

6.1 结论

6.2 展望

参考文献

附录1 K-means-RBF、PSO-RBF、GPSO-RBF关键代码

在读期间的研究成果

致谢