宿州春季重旱发生年份的灰色神经网络预测模型
宿州春季严重干旱年序列变化幅度大、数据少，用传统GM(1,1)模型预测效果不理想。基于灰色系统和人工神经网络理论，采用双重途径提高模型精度——弱化序列变化幅度，改进GM(1,1)模型导数信息处理方式，构建可逼近精度目标的m-GM(1,1)模型，并应用BP神经网络对m-GM(1,1)模型的残差进行拟合。灰色神经网络组合模型的相对误差绝对值的平均值为0.019％，拟合精度比单一1.3-GM(1,1)模型的6.099％和传统GM(1,1)模型的8.913％提高许多。具体预测中，选择1.3-GM(1,1)模型作为预测模型，得到的残差序列作为输出样本来建立BP神经网络预测模型：采用3层BP网络，结构为3-6-1，即输入样本取3维，隐层为1层，隐层节点数6，输出节点数为1，11个残差共组成8个训练样本，学习率取为0.06，收敛率为0.001，均方差限制在0.001，训练步长为750，得到前层至后层节点之间的权系数。利用灰色神经网络组合模型进行预测的结果可以作为预报当地春季干旱时的参考，结合其他方法作进一步预测，为当地防灾减灾提供科学依据。
神经网络 信息处理 干旱 防灾减灾
孙惠合
安徽省宿州气象局 安徽宿州 234000
国内会议
北京
中文
1-4
2008-11-20（万方平台首次上网日期，不代表论文的发表时间）