2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩45頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、針對(duì)模塊化模糊神經(jīng)網(wǎng)絡(luò)(MFNN)的門網(wǎng)絡(luò)普遍采用模糊C均值聚類算法(FCM)聚類,聚類過(guò)程沒(méi)有對(duì)樣本的特征進(jìn)行優(yōu)化的缺陷,首先嘗試用模糊核聚類算法(FKCA)替代FCM算法聚類,建立一種新的模糊核聚類的模塊化模糊神經(jīng)網(wǎng)絡(luò)模型(FKCA-MFNN);研究中進(jìn)一步發(fā)現(xiàn),由于FKCA算法沒(méi)有考慮類別規(guī)模對(duì)聚類效果的影響,因而當(dāng)數(shù)據(jù)集中類別規(guī)模差別很大時(shí)聚類效果仍不夠理想,提出兩階段加權(quán)模糊核聚類算法(2-WFKCA)。該算法定義了一個(gè)新的目

2、標(biāo)函數(shù),引入動(dòng)態(tài)權(quán)值,并采用傳統(tǒng)的FCM算法粗聚類的結(jié)果作為初始化。因此,將2-WFKCA算法替代FCM算法聚類,建立一種兩階段加權(quán)模糊核聚類的模塊化模糊神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型(2-WFKCA-MFNN),可提高整個(gè)MFNN系統(tǒng)的性能。論文取廣西西南部6月25個(gè)氣象站逐日平均降水量為預(yù)報(bào)對(duì)象,以2003至2006年6月(共115天)中國(guó)氣象局的T213模式和日本細(xì)網(wǎng)格降水模式48小時(shí)預(yù)報(bào)場(chǎng)等數(shù)值預(yù)報(bào)產(chǎn)品資料為基礎(chǔ),應(yīng)用上述2種改進(jìn)的MFNN模

3、型對(duì)2007年6月廣西西南部進(jìn)行逐日平均降水預(yù)報(bào)建模方法研究。 在兩種改進(jìn)的MFNN降水預(yù)報(bào)模型建模過(guò)程中,首先通過(guò)對(duì)2003至2006年6月數(shù)值預(yù)報(bào)產(chǎn)品場(chǎng)與預(yù)報(bào)對(duì)象進(jìn)行場(chǎng)相關(guān)普查,得到廣西西南部25站逐日平均降水量的預(yù)報(bào)因子共66個(gè)(T213因子65個(gè),日本降水預(yù)報(bào)格點(diǎn)因子1個(gè))??紤]到如此眾多的預(yù)報(bào)因子直接作為神經(jīng)網(wǎng)絡(luò)模型的輸入節(jié)點(diǎn),會(huì)使神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)很大,不僅導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時(shí)間過(guò)長(zhǎng),更重要的是一些預(yù)報(bào)因子之間存在的高相關(guān)性和

4、因子本身的噪聲影響,都會(huì)直接影響神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型的預(yù)報(bào)效果。對(duì)此,論文采用偏最小二乘回歸方法(PLS)提取數(shù)量較少且代表性較強(qiáng)的幾個(gè)成分因子來(lái)構(gòu)造模塊化模糊神經(jīng)網(wǎng)絡(luò)輸入矩陣。在實(shí)際計(jì)算中,采用PLS方法對(duì)65個(gè)T213因子作逐次PLS計(jì)算,并提取了3個(gè)成分因子,結(jié)合1個(gè)日本格點(diǎn)預(yù)報(bào)因子共4個(gè)預(yù)報(bào)因子作為模型輸入,建立了2-WFKCA-MFNN降水預(yù)報(bào)模型,并利用該預(yù)報(bào)模型對(duì)2007年6月廣西西南部逐日降水量進(jìn)行實(shí)際降水預(yù)報(bào)試驗(yàn)。結(jié)果表明

5、,該預(yù)報(bào)模型對(duì)6月份30天的逐日降水預(yù)報(bào)平均絕對(duì)誤差為5.744mm。在相同的模型輸入下,建立FKCA-MFNN模型和FCM-MFNN模型,獨(dú)立樣本預(yù)報(bào)平均絕對(duì)誤差分別為6.049mm、6.165mm。對(duì)比分析可以看出,2-WFKCA-MFNN模型的預(yù)報(bào)結(jié)果穩(wěn)定,并且比FKCA-MFNN模型、FCM-MFNN模型的預(yù)報(bào)精度分別提高5.31%、7.33%。 為提高2-WFKCA-MFNN模型的預(yù)報(bào)能力,論文進(jìn)一步研究了對(duì)輸入因子采用

6、模糊化因子處理方法。模糊化方法的主要思想是,通過(guò)對(duì)事物整體上或是細(xì)節(jié)上的處理,進(jìn)而模糊化事物之間的差別,提高事物的適應(yīng)性。將這一原理運(yùn)用到MFNN,可以模糊化建模樣本與獨(dú)立樣本之間的差別,擴(kuò)大樣本的適應(yīng)范圍,提高M(jìn)FNN的泛化性能。對(duì)上述4個(gè)預(yù)報(bào)因子模糊化處理后作為模型輸入,在相同的建模樣本和模型參數(shù)下,建立了模糊化-2-WFKCA-MFNN模型,對(duì)2007年6月廣西西南部逐日降水量進(jìn)行實(shí)際降水預(yù)報(bào)建模,獨(dú)立樣本預(yù)報(bào)平均絕對(duì)誤差為5.7

7、26mm。結(jié)果表明,模糊化-2-WFKCA-MFNN模型的預(yù)報(bào)效果與2-WFKCA-MFNN模型相當(dāng),但這兩種模型的預(yù)報(bào)效果均比FKCA-MFNN模型、FCM-MFNN模型都要好,其中模糊化-2-WFKCA-MFNN模型比FKCA-MFNN模型、FCM-MFNN模型預(yù)報(bào)精度分別提高5.64%、7.67%。 為了客觀分析論文提出的改進(jìn)的MFNN與常規(guī)氣象預(yù)報(bào)方法的性能差異,進(jìn)一步將改進(jìn)的MFNN模型與傳統(tǒng)的逐步回歸方法進(jìn)行了預(yù)報(bào)的對(duì)

8、比試驗(yàn),試驗(yàn)中所采用的預(yù)報(bào)因子與上述方法所依據(jù)的初選預(yù)報(bào)因子群完全一致。為了保證對(duì)比的合理性,試驗(yàn)通過(guò)對(duì)F值的控制,在預(yù)報(bào)因子數(shù)和建模樣本完全相同的情況下,逐步回歸預(yù)報(bào)方程對(duì)2007年6月30天降水的獨(dú)立樣本預(yù)報(bào)平均絕對(duì)誤差為8.361mm。相比之下,逐步回歸方法預(yù)報(bào)誤差要明顯大于2-WFKCA-MFNN模型、模糊化-2-WFKCA-MFNN模型及FKCA-MFNN模型的預(yù)報(bào)誤差,這3種模型的預(yù)報(bào)精度比逐步回歸方法分別提高45.56%、

9、46.02%、38.22%。這主要是因?yàn)橹鸩交貧w方法在建模時(shí)只考慮對(duì)回歸模型有顯著性影響的預(yù)報(bào)因子,沒(méi)有考慮預(yù)報(bào)因子之間的多重共線性相關(guān)關(guān)系等問(wèn)題,從而影響了預(yù)報(bào)模型的預(yù)報(bào)能力;另一方面由于逐日的降水量變化受到大氣內(nèi)部和大氣外部環(huán)境條件的綜合影響,具有明顯的非線性變化特點(diǎn),而逐步回歸方法是屬于線性統(tǒng)計(jì)預(yù)報(bào)建模方法,不能反映預(yù)報(bào)因子與預(yù)報(bào)量之間的非線性關(guān)系,最終導(dǎo)致預(yù)報(bào)精度明顯低于2-WFKCA-MFNN模型、模糊化-2-WFKCA-MF

10、NN模型及FKCA-MFNN模型的預(yù)報(bào)精度。 綜合以上分析結(jié)果,論文提出將兩階段加權(quán)模糊核聚類算法(2-WFKCA)替代FCM算法聚類,建立2-WFKCA-MFNN模型,可顯著提高整個(gè)MFNN系統(tǒng)的性能,更好地適應(yīng)現(xiàn)實(shí)應(yīng)用中的實(shí)際問(wèn)題。由于與大氣學(xué)科的降水預(yù)報(bào)一樣,在實(shí)際的水文,交通,電力負(fù)荷,經(jīng)濟(jì)和地質(zhì)災(zāi)害等許多預(yù)測(cè)應(yīng)用研究方面,也都會(huì)遇到采用傳統(tǒng)的FCM算法進(jìn)行聚類分析的問(wèn)題。2-WFKCA算法為提高M(jìn)FNN模型的預(yù)報(bào)精度提

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論