人工神经网络方法简介讲义.ppt

计算误差改变量： 当误差改变量小于某允许值时，终止训练，得到一组权阵 。 和 训练对、权阵 计算输出 计算误差并修正权阵 判断kN? 计算网络误差 判断误差改变量允许值 输出权阵和阀值 下 一 个 样 本 下 一 轮 训 练 三、人工神经网络方法在气象中的应用 正反问题 人工神经网络的特点 与其他方法的比较 气象应用方面介绍 正问题：即已知事物相互联系的规律， 求解问题的解。 反问题：即事物相互联系的规律未知，只知一些现象。气象中有不少问题受实验条件的限制，到目前还没了解清楚，就属于反问题。如：长期预报。求解反问题的方法：动力学建摸（线性）、人工智能（神经网络、专家系统） 1、正反问题 2、人工神经网络的特点 从数学本质上看，非线性神经元构成的网络具有很强的自学习能力和对环境的适应能力； 从应用对象看，人工神经网络方法擅长处理知识背景不很清楚的、模糊的、随机的大通量信息； 从 求解的目标看，它致力于搜寻非精确的满意解，而放弃目标解的高度精确性，因而有效地提高了问题求解的效率和实际解算问题的能力。 3、与其他方法的比较 大规模并行处理，便于信息的综合 良好的容错性 有学习功能，网络的大量参数均由学习（训练）得到，而不是人为设定。这一点很重要，这意味从原始数据中提取信息，逼近规律，而不是人为赋予规律。 举例简单地说：MOS(模式输出统计法）是线性分析、逐步求解；卡尔曼滤波是线性分析、逐步求解；神经网络则是线性与非线性分析、逐步求解。 4、气象应用方面介绍 在气象领域，国外加拿大和美国开展应用较早。国内也进行了一些开发研制工作。一般应用于预报和分类分析。如：采用多个预报因子指标分析预报最低气温、异常降水等。 人工神经网络进行气象预测的精度，与初选的预报因子有关。因此，对于人工神经网络的构筑，需要有对气象现象的敏锐洞察以及对大气物理的深刻理解。必须求出具有大气物理学的合理性，并抓住现象本质的未知关系。 举个例子： 用人工神经网络方法 模拟预报我国东部 夏季三类降水型 1、找预报因子 夏季降水与前冬环流场的SVD_1向量 夏季降水与前冬环流场的SVD_2向量 一类雨型 二类雨型 三类雨型 三类雨型对应的冬季海温特征 二类雨型 一类雨型 三类雨型 预报因子 海温： 1区（30-50N，180-140W）； 2区（10S-10N，180-140W） 高度场：3区（35-60N，150E-150W）-（10-30N，150E-150W） 4区（10-30N，100-150E）-（30-60N，100-150W） 5区（10-30N，100-150E）-（40-60N，70-110E） 模拟与试报结果 实际 模 拟 雨型 1 2 3 1 15 0 0 2 1 12 1 3 0 2 9 实际 试 报 雨型 1 2 3 1 3 0 0 2 0 0 0 3 2 0 2 错误模拟年为：52（3-2） 68（3-2） 84（2-1） 89（2-3） 试报错年为： 93（3-1） 98（3-1） 用40年训练，错4年；试报7年错2年。 汛期降水预测回顾-1997 实 况 NCC预报 预测评分 20% -20% -10% 10% 0 汛期降水预测回顾-1998 实 况 NCC预报 预测评分 20% -20% -10% 10% 0 汛期降水预测回顾-1999 实 况 NCC预报 预测评分 NIM预报 20% -20% -10% 10% 0 20% -20% -10% 10% 0 汛期降水预测回顾-2000 实 况 NCC预报 预测评分 NIM预报 20% -20% -10% 10% 0 汛期降水预测回顾-2001 实 况 NCC预报 预测评分 NIM预报 20% -20% -10% 10% 0 汛期降水预测回顾-2002 实 况 NCC预报 NIM预报 预测评分 汛期降水预测回顾-2003 实 况 NCC预报 NIM预报 预测单位 评分 相关系数 中国科学院寒旱区环境与工程研究所 60 -0.16 水利部水利信息中心 60 -0.21 中国气象科学研究院 54 -0.27 北京大学 52 -0.21 国家气候中心提交大会讨论意见 49 -0.22 南京气象学院 49 -0.39 国家气候中心正式发布预报（全国汛期会议综合意见） 48 -0.29 中国科学院大气物理研究所 47 -0.35 总参气象中心 37 -0.37 预测评分 实 况 NCC预报 预测评分 NIM预报 汛期降水预测回顾-20