基于非线性粒子群算法与神经网络天气预测.docVIP

基于非线性粒子群算法与神经网络天气预测 　　摘要 采用非线性PSO-BP神经网络对天气预测，可以有效地预测出多云、晴天和下雨3种不同天气。非线性PSO-BP算法提高了天气预测的准确度和精度，加快了网络收敛速度，为智能化天气预报提供了基础。 　　关键词 非线性；粒子群算法；BP神经网络；天气预测 　　中图分类号 P456 文献标识码 A 文章编号 1007-5739（2013）11-0265-02 　　天气预报的主要内容是预测局部地区未来一段时期内的阴晴雨雪、最高与最低气温、风力和风向及特殊的灾害性天气。气象台准确预报寒潮、台风、暴雨等自然灾害出现的位置和强度，就可以直接为工农业生产和群众生活服务，有效避免自然灾害，减少自然灾害带来的巨大经济损失和人员伤亡。 　　随着信息技术的迅猛发展，世界各国正在全力探索新的预报业务流程和应用系统。美国国家天气服务中心（NWS）开发的AWIPS主要用于业务天气分析，它能够在信息处理、显示、天气分析、通讯等方面体现强大功能，可以分析多种气象资料与地理信息叠加信息，是美国目前主要的天气分析处理系统[1]。中国气象局于20世纪90年代末开发完成的气象信息综合分析处理系统历经10多年的发展，已成为气象部门广为应用的业务系统，在预报预测业务和科研工作中发挥着越来越重要的作用[2]。笔者总结出几十年气象工作的经验，观察丰县地区多年采集的环境数据，建立了一套非线性粒子群算法与神经网络相结合模型，利用当地地区的温度、湿度和气压作为神经网络的输入，可以提高天气预测的准确程度。 　　1 非线性粒子群算法与神经网络模型 　　1.1 PSO算法及其改进 　　惯性权重是粒子群算法中重要的变量，其作用是控制粒子群的搜索能力和对当前速度的记忆能力。合适的惯性权重可以使算法以最快的收敛速度搜索到最优解，相反，如果初始惯性权重选择不合理，很有可能使算法进入死循环。惯性权重设置较大，粒子在迭代过程中移动速度快，其全局搜索能力就强；反之，较小的惯性权重，粒子在迭代过程中的移动速度就慢，其局部搜索能力就强。因此，近些年来大批学者对于惯性权值进行了改进[3-5]。 　　1.2 改进PSO-BP算法的实现 　　基于误差反向传播算法的多层前馈网络（简称BP网络），可以任意精度逼近任意的连续函数，广泛应用于非线性建模、函数逼近、模式识别和分类等方面[8-14]。BP算法是一种局部搜索算法，容易使网络陷入局部极小值，使得网络训练结果较差。本文将改进PSO与BP神经网络结合，主要思想是：将粒子群中粒子的当前位置传递给BP网络作为网络的权值和阈值进行计算；将BP网络的误差作为粒子群算法的适应度值，以此作为粒子群算法更新的判据。 　　2 天气数据采集 　　3 预测 　　3.1 网络模型的确定 　　3.2 天气预测仿真测试 　　4 结语 　　采用非线性PSO-BP神经网络对天气预测，利用每天观测得到的温度、湿度和气压，可以有效地预测出多云、晴天和下雨3种不同天气；该算法不仅可以改善误差反向传播算法（BP算法）收敛速度慢的缺点，还可以克服传统线性PSO算法早熟等缺陷。天气预测结果表明，非线性PSO-BP算法提高了天气预测的准确度和精度，加快了网络收敛速度，为智能化天气预报提供了基础。 　　5 参考文献 　　[1] NANEY F. Advanced Weather System. Government Executive[EB/OL].（2000-04-01）[2010-10-03]. http：// /features/ 0400/ htm . 　　[2] 中国气象局培训中心.MICAPS3系统培训教材[M].北京：气象出版社，2009. 　　[3] HUANG Hao，CHEN Kui-sheng，ZENG Liang-cai. A genetic algorithm-based neural network approach for fault diagnosis in hydraulic servo-valves[M]//Advances in Machine Learning and Cybernetics. Springer Berlin Heidelberg，2006：813-821. 　　[4] HU Wei，HU Jing-tao，HU W，et al.A New BP Network Based on Improved PSO Algorithm and Its Application on Fault Diagnosis of Gas Turbine[M]//Advances in Neural Networks-ISNN 2007. Springer Berlin Heidelberg，2007：277-