混合PNN和RBF多神经网络模型的局域降雨类型识别及雨量预测
气象预测预报与人们的生活工作息息相关,因气象数据存在不确定性、持续性、动态性、高复杂性等特点,致使灾害天气的预测预报在实际生活中效果不好,尤其是局域极端恶劣天气的预测预报准确率低下,这给人们的生命财产带来巨大损失.本文在深入分析南方某局域气象数据的基础上,提出构建多网络模型(概率神经网络PNN和径向基神经网络RBF混合模型)对局域地区降雨类型进行识别及雨量预测.首先构建PNN神经网络模型识别降雨类型;其次,针对大雨级别以下和大雨级别以上分别建立两个不同的RBF神经网络模型,实现对降雨量的进一步预测;最后将RBF网络预测的雨量结果逆向校正PNN网络的预测识别结果并获得降雨类型数据的雨量等级划分.本文的多网络模型均采用K折交叉验证方法(k-foldercross-validation)校验模型的可靠性与稳定性.经实验验证,证实了本文提出的混合多网络模型在降雨类型识别及雨量预测中的有效性.本文的研究可为气象部门的天气预测预报提供决策支持与参考.
气象预测预报 降雨类型 雨量预测 多神经网络模型 概率神经网络 径向基神经网络
滕少华 唐海涛 张巍 刘冬宁 梁路
广东工业大学计算机学院 广州 510006
国内会议
第10届全国计算机支持的协同工作学术会议暨中国计算机学会协同计算专委年度工作会议
太原
中文
162-176
2015-08-28（万方平台首次上网日期，不代表论文的发表时间）