论文部分内容阅读
本文提出一种用遗传算法优化RBF神经网络的集成预报方法：集成对象为MM5V3模式的16种不同参数化方案组合的模拟试验结果中的部分数据，模拟区域中心点在北纬35°、东经110°，水平格点取111×131，格距为60km，基本上包括了整个青藏高原的东亚地区，资料的水平分辨率为2.5°×2.5°，侧边界采用15圈缓冲。集成过程中，把模拟区域的81×101个格点分成9个子区域，每个子区域取3点共27个特征点。
首先对这27个特征点采用不同的网络参数组合分别进行RBF神经网络集成计算，分析网络参数的不同对集成结果的影响，进一步采用多方案用遗传算法对特征点进行神经网络结构的优化；然后，对用各种方案优化后的神经网络模型进行集成预报，分析各种优化方案间集成结果的差异，以期选择一种合适的优化方案；最后，选取一种相对较优的优化方案对整个区域的格点场进行神经网络结构的全局优化和集成分析。
以500hpa温度场为例，计算分析表明：(1)全场格点都表现出RBF神经网络集成同一个数值模式多种参数化组合方案的模拟结果时，其效果不仅优于最佳单个参数化组合方案效果，而且也优于16种组合方案平均线性集成的效果；整个区域的温度场集成结果比MM5模拟更接近于实况场，均方根误差场也较原MM5方案明显的减小。对特征点用遗传算法优化神经网络的结果比未优化前的RBF神经网络好，全场格点优化的结果优于特征点优化的结果。(2)选择合适的神经网络参数是至关重要的，集成效果的好坏在很大程度上依赖于RBF神经网络参数——隐层神经元个数mn和宽度因子sp的选择合适与否。当宽度因子sp小时，随着sp增大，均方根误差迅速减少，以后随着sp的增大，误差呈缓慢增长趋势。一般来说，sp要取得足够大，以保证径向基神经元的响应在输入空间能够交迭，过小的宽度因子会导致预报能力下降，单纯地从拟合效果来看，sp大致选取1～6的集成效果最佳。随着径向基神经元个数mn的增大，拟合误差逐渐减少，甚至只要神经元个数足够大，拟合误差将趋向于无限小。但过多的神经元个数会使网络过于庞大，会使预报能力下降，从而降低了神经网络的实用推广性。(3)要使神经网络建立的模型具有较强的预报能力，必须注意网
络的过度学习问题，由于过度学习的网络模型对样本数据点实现了“过度匹配”，其推广能力就差了。就RBF网络来说，mn过多会引起网络过度学习，宽度因子选的不合理也会引起网络过度学习。因此，对建立一个兼顾拟合和预报性能较好的神经网络，最终也归结到神经网络全局优化的问题。(4)每一种优化方案都是有效的，优化后的拟合和试预报均方根误差和绝对误差都比优化前明显减小。用训练误差和试预报误差的综合指标作为优化过程的目标函数，确能够避免过度拟合现象，能使所得网络在较好地逼近样本输入输出映射的同时具有较好的推广能力，优化时加入最小神经元个数限制以及在目标函数中考虑了绝对误差能提高拟合能力，但却降低了预报能力，因此在优化时应综合考虑拟合效果和推广能力，选择合适的方案。(5)遗传算法优化RBF神经网络的集成预报方法成功地应用于同一个数值模式的若干个不同参数化方案组合模拟结果的集成，且有可能成功地推广应用到若干不同数值模式预报结果或多个数值预报中心的预报结果的集成。(6)RBF神经网络集成不仅在精度上相对BP神经网络集成有所改善，而更为突出的计算速度要快得多，这对整个气象要素场有几千上万个格点集成来说更为重要。