- 1、本文档共7页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
维普资讯
第25卷 第4期 气 象 科 学 Vo1.25,No.4
生璺 LAMETEOROLOGICASINICA Aug.,2005
主成分分析法在神经网络集成预报 中的应用
盛 飞
(总参气象水文中心,北京 8100081)
摘 要 本文将主成分分析方法引入到用神经网络作集成预报中,根据各个
主成分的方差贡献的大小来确定所需主成分的个数 ,在此基础上,对集成预报的原
始因子进行重构 ,以达到对数据进行降维,加快计算速度和提高预报准确率的 目
的。
关键词 主成分分析 集成预报 神经网络
分类号 P45 文献标识码 A
引 言
由于具有并行处理的功能和良好的非线性映射逼近性能,所以人工神经网络方法在模式
识别、数据压缩、分类、控制及函数逼近等方面得到了广泛应用,也成为天气预报中集成预报的
一 种有效方法。作者在对我国T106中期数值预报产品解释应用预报系统所用的七种预报方
法 (人工神经网络、最优相似预报、卡尔曼滤波、模式输出与经验和诊断分析结合法、模式输出
统计、完全预报、智能相似统计,以下简称 ann、jcz、kal、reed、mos、PP、zxs)的预报结果利用人
工神经网络进行集成预报时发现,参与集成的子方法的预报结果整体上都表现出与实况相似
的变化趋势,但它们在不同的站点和时段表现出不同的预报效果,因此如果抛弃其中的一种或
几种方法,势必会丢失有用的信息,如果把它们都作为神经网络的输人,将会增加网络的复杂
度并降低网络性能(指神经I习络的学习收敛速度、泛化能力以及是否会出现过拟合的现象等),
大大增加计算的时间,甚至影响计算的精度。因此如何在有效地保留其中的信息的前提下对
数据进行降维,将成为改进人工神经网络集成预报效果的途径之一。本文引入主成分分析方
法,并对全国35个站点的多个气象要素用通常的神经网络集成预报法和引入主成分分析的神
经网络集成预报法进行了对比预报试验,由于篇幅关系,这里只给出海平面气压的试验结果,
结果表明后者的预报效果得到了一定程度的改善。
1 主成分分析的主要步骤
主成分分析的理论略,详见有关参考文献。
(1)计算参与集成子方法预报结果的相关矩阵
在协方差阵基础上进行的主成分分析会将随机变量X中绝对值较小的分量数据 “淹没”,
收稿 日期:2003—12—24;修改稿 日期:2004—05—28
基金项 目:本文由国家自然科学基金 (编号资助
第一作者简介:盛~(1978一),男(汉),安徽余杭,助工,硕士,现在总参气象水文中心,主要从事短期统计预测研究
维普资讯
4期 盛 飞等:主成分分析法在神经网络集成预报中的应用 363
(∑ )/(∑ i)≥ T
=K—i D 时’
(∑ )/(∑ )
l— i J= ±
2 神经网络的网络结构及学习算法
维普资讯
364 气 象 科 学 25卷
网络的学习矩阵输入 J(一1,2,…,M)。输入层第 i个神经元和中间层第J个神经元之间的
权重系数为w ,中间层第J个神经元和输出层第是个神经元之间的权重系数为 。中间层
第 个神经
文档评论(0)