国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)預(yù)測GPS可降水量

2019-09-05 01:10:32熊紅偉鄭進
城市勘測 2019年4期
關(guān)鍵詞:降水量殘差神經(jīng)網(wǎng)絡(luò)

熊紅偉,鄭進

(1.中冶智誠(武漢)工程技術(shù)有限公司,湖北 武漢 430080; 2.湖北省國土測繪院,湖北 武漢 430010)

1 引 言

水汽是地球大氣中的重要組成部分,GPS測站天頂方向上大氣中水汽全部凝結(jié)成水降落所產(chǎn)生的降雨量又被稱為可降水量(PWV)。地基GPS遙感大氣可降水量,有著探測精度高、全天候和高時空分辨率,能夠有效地彌補常規(guī)氣象探測水汽的不足。在獲取GPS可降水量的基礎(chǔ)上對不同氣候和不同地區(qū)的數(shù)據(jù)進行分析,可以作為氣象預(yù)報的有力補充。因此可降水量的短期預(yù)測,對天氣預(yù)報有著重要的意義。

天氣系統(tǒng)是一個隨時間和空間劇烈變化的非線性系統(tǒng),數(shù)學(xué)和物理方法難以描述,要準確地預(yù)測GPS可降水量有一定的難度。由于神經(jīng)網(wǎng)絡(luò)對非線性函數(shù)有著很好的逼近能力,自Robret利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測降雨量以來[1],國內(nèi)外研究主要集中在預(yù)測的模型[2~12]和GPS數(shù)據(jù)處理的精度[13~15]。由于大氣可降水量受到時空環(huán)境影響以及現(xiàn)有預(yù)測模型自身的局限性,無法高精度實時地對其進行預(yù)測。本文正是針對可降水量的這一特點以及現(xiàn)有模型的局限性,利用小波神經(jīng)網(wǎng)絡(luò)對非線性函數(shù)超強的逼近能力和遺傳算法較強的全局搜索能力,建立遺傳小波神經(jīng)網(wǎng)絡(luò)預(yù)測GPS可降水量。

2 可降水量預(yù)測模型

2.1 預(yù)測模型

預(yù)測就是利用數(shù)學(xué)理論和方法,通過歷史數(shù)據(jù)建立數(shù)學(xué)模型,利用近期數(shù)據(jù)作為測試數(shù)據(jù)并推理驗證,用于解決未來趨勢問題。假定未來的觀測值和過去的觀測值之間存在一定的函數(shù)關(guān)系[6],即

x(t)=f(x(t-1),x(t-2),…,x(t-n))

(1)

通過構(gòu)造這一函數(shù),來預(yù)測后續(xù)的觀測值,可見預(yù)測問題可以轉(zhuǎn)換成函數(shù)逼近問題。如果一個函數(shù)的自變量的個數(shù)為n,問題進一步可轉(zhuǎn)化為在n+1維空間構(gòu)造一個超曲面函數(shù)。通過對歷史的觀測數(shù)據(jù)反復(fù)擬合,構(gòu)造一個函數(shù)f使得觀測值與期望值之間按照一定的準則達到最優(yōu),進而求解f的參數(shù)。

2.2 小波神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)由于其強大的自學(xué)習(xí)能力以及不需知道輸入與輸出之間的具體關(guān)系,就可以以較高的精度逼近非線性函數(shù),所以在時間序列的應(yīng)用上十分廣泛。但是,BP神經(jīng)網(wǎng)絡(luò)的激勵函數(shù)并不正交,神經(jīng)網(wǎng)絡(luò)在進行學(xué)習(xí)時收斂的速度相當慢,同時BP神經(jīng)網(wǎng)絡(luò)在部分參數(shù)的選取上沒有理論的指導(dǎo),在局部極值的地方將導(dǎo)致迭代不收斂和過擬合?;谝陨先秉c,相關(guān)學(xué)者在神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上,為了對其改進,將小波分析的時頻局部化和多尺度分析能力引進到神經(jīng)網(wǎng)絡(luò)算法中,即將小波分析與神經(jīng)網(wǎng)絡(luò)進行結(jié)合,得到的小波神經(jīng)網(wǎng)絡(luò)具備了小波分析的時頻局域化特點和人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力,有效地改善了傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法的局限性。目前使用最為廣泛的小波神經(jīng)網(wǎng)絡(luò)算法是緊致型的小波神經(jīng)網(wǎng)絡(luò)算法,將小波函數(shù)代替人工神經(jīng)網(wǎng)絡(luò)的隱含層函數(shù),同時用小波基函數(shù)的尺度參數(shù)與平移參數(shù),將神經(jīng)網(wǎng)絡(luò)輸入層到隱含層的權(quán)值及閾值進行替換。該算法在參數(shù)和激勵函數(shù)的選取上更具備理論的指導(dǎo)意義,以更快的收斂速度和逼近能力進行高精度的預(yù)測。

圖1 小波神經(jīng)網(wǎng)絡(luò)模型

2.3 遺傳小波神經(jīng)網(wǎng)絡(luò)模型(GWNN)

雖然小波神經(jīng)網(wǎng)絡(luò)(WNN)相比較于BP神經(jīng)網(wǎng)絡(luò)在參數(shù)的選取上有很大的改善,但是在網(wǎng)絡(luò)的初始權(quán)值參數(shù)選取方面,多數(shù)基于經(jīng)驗?zāi)P蜎]有理論指導(dǎo);在學(xué)習(xí)算法上,WNN是直接根據(jù)誤差能量函數(shù)采用梯度下降算法來調(diào)整網(wǎng)絡(luò)連接權(quán)值和伸縮平移尺度,所以在迭代過程中受局部極值的影響導(dǎo)致訓(xùn)練結(jié)束后預(yù)測的結(jié)果出現(xiàn)不同程度的差異[7]。如果直接使用該算法預(yù)測GPS可降水量,得到的結(jié)果在實際GPS可降水量預(yù)測中的應(yīng)用往往不理想。

遺傳算法是一種模擬遺傳機制和生物進化理論的并行隨機搜索最優(yōu)方法,按照選擇的適應(yīng)度函數(shù)并通過遺傳中的選擇、交叉和變異對個體進行篩選,使得適應(yīng)度好的個體被保留,在多點隨機并行的搜索下尋找適合群體的最優(yōu)解,以此來抵抗震蕩效應(yīng)和參數(shù)收斂到局部最優(yōu)解上。

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法可以表示為,在一個樣本集S=(xi,yi),i=1,2,…P,其中P為樣本數(shù),從中尋找一個參數(shù)集,使得能量函數(shù)E最小

(2)

最陡梯度下降算法調(diào)整權(quán)值參數(shù)公式為:

(3)

(4)

(5)

(6)

其中η和α分別為學(xué)習(xí)速率與動量因子。

顧及遺傳算法的全局搜索能力,利用該能力來確定伸縮和平移尺度參數(shù)以及權(quán)值和閾值。訓(xùn)練過程分為初次訓(xùn)練和二次訓(xùn)練。

初次訓(xùn)練為:

(1)對初始種群進行編碼,主要包括wij,wlj,aj,bj參數(shù)進行編碼,編碼的方法采用實數(shù)編碼,使得每一個個體均為一個實數(shù)串;并在此過程中初始化進化的次數(shù)、種群規(guī)模、交叉概率Pc和變異概率Pm等參數(shù);

(2)適應(yīng)度函數(shù),根據(jù)個體得到WNN的初始權(quán)值和閾值,由訓(xùn)練后得到的預(yù)測輸出yl和期望輸出dl之間的誤差絕對值和計算誤差函數(shù)E:

(7)

(3)遺傳操作,選擇若干適應(yīng)度最大的個體直接繼承給下一代,采用“輪盤賭”選擇方法進行種群的選擇操作,每個個體的選擇概率pi為

(8)

其中N為種群個體數(shù)目。同時以概率Pc和Pm完成交叉和變異操作,最后產(chǎn)生新的下一代個體。

(4)將新的個體插入到種群P中得到新種群,并計算新個體的適應(yīng)度值,如果達到了指定的條件,則結(jié)束,否則轉(zhuǎn)到操作(3)。

(5)反復(fù)迭代到滿足收斂條件以后,將最終種群里面的最優(yōu)個體解碼作為網(wǎng)絡(luò)連接權(quán)、伸縮和平移參數(shù)。

二次訓(xùn)練為:在初次訓(xùn)練得到參數(shù)的基礎(chǔ)之上使用WNN的最陡梯度下降算法進行二次優(yōu)化訓(xùn)練,將兩次訓(xùn)練得到參數(shù)作為遺傳小波神經(jīng)網(wǎng)絡(luò)模型的最終參數(shù)對GPS可降水量進行預(yù)測。

3 算例與分析

為了驗證GWNN預(yù)測GPS可降水量的能力,利用高精度GPS解算軟件GAMIT,對香港地區(qū)的衛(wèi)星定位參考網(wǎng)站(SatRef)2017年第157天的觀測數(shù)據(jù)進行解算,通過在解算時引入WUHN、BJFS、URUM、三個長于 500 km的站點獲得絕對的天頂對流層延遲量。另外為了保證獲得的GPS可降水量值與實時的溫度、氣壓和濕度等大氣參數(shù)保持一致,在解算GPS可降水量時引入各自站點的氣象數(shù)據(jù)文件(met)。選用最終星歷,采用松弛解(RELAX)模式,衛(wèi)星截止高度角為10°,降低由于外部參數(shù)和衛(wèi)星軌道誤差的選取對GPS可降水量解算結(jié)果造成的影響,另外在數(shù)據(jù)處理過程中還對天線相位中心偏差、海潮負荷改正、大氣潮和非潮汐的大氣負荷改正。

每分鐘提取一個GPS可降水量值可以更加精細地反映GPS反演可降水量的細節(jié)信息。得到的結(jié)果發(fā)現(xiàn),在0:00~10:00由于大氣參數(shù)因素的影響,GPS可降水量值變化相當劇烈,最大時相鄰兩個歷元的差值有 12.64 mm,平均偏差為 4.26 mm;10:00以后抖動量相對平緩,最大時相鄰兩個歷元的差值為 1.92 mm,平均偏差為 0.52 mm。針對GPS可降水量的這一特點,實現(xiàn)天氣變化短期的預(yù)報,對不同時間段的GPS可降水量分別進行預(yù)測,選取以下兩種不同的方案進行試驗:

方案一:選取該天11:00~14:00每分鐘的GPS可降水量值共240個,選用前 180 min的數(shù)據(jù)為建模數(shù)據(jù),預(yù)測后續(xù) 60 min的GPS可降水量值。

方案二:選取該天凌晨4:00~8:00每分鐘的GPS可降水量值共240個,選用前 180 min的數(shù)據(jù)為建模數(shù)據(jù),預(yù)測后續(xù) 60 min的GPS可降水量值。

為了對建立的GWNN模型進行對比分析,分別選用WNN和BP神經(jīng)網(wǎng)絡(luò)模型同時進行預(yù)測。選用均方根誤差(RMS)、殘差的最大值和最小值等指標進行外符合精度的評定,RMS計算公式為

(9)

(10)

3.1 方案一

考慮文章篇幅,現(xiàn)選取HKON站點的數(shù)據(jù),使用BP神經(jīng)網(wǎng)絡(luò)和WNN模型預(yù)測的數(shù)據(jù)與本文提出的GWNN模型預(yù)測的數(shù)據(jù)進行比較。

由表1,就BP神經(jīng)網(wǎng)絡(luò)與WNN模型比較可知,WNN在RMS上有 0.27 mm的改善,平均誤差降低了 0.30 mm,可見在預(yù)測的精度和擬合程度上WNN要優(yōu)于BP神經(jīng)網(wǎng)絡(luò);但是這種優(yōu)勢并不明顯,WNN最大絕對誤差為 1.89 mm,最大相對誤差為3.96%,均高于BP神經(jīng)網(wǎng)絡(luò),因此WNN雖然在模型的整體精度上有一定的提高,但是預(yù)測的穩(wěn)定性卻不如BP神經(jīng)網(wǎng)絡(luò)。理論上,訓(xùn)練好的WNN可預(yù)測復(fù)雜的時間序列問題,但是WNN模型是結(jié)合了小波分析通過調(diào)節(jié)尺度參數(shù)放大局部信號,如果在參數(shù)的選擇上不夠合理,訓(xùn)練好的WNN仍然不能很好地對非線性系統(tǒng)的GPS可降水量進行預(yù)報。而本文提出的GWNN模型在GPS可降水量預(yù)測的精度與穩(wěn)定性均優(yōu)于其他兩種模型,最大絕對誤差為 0.82 mm,RMS為 0.29 mm。

方案一殘差結(jié)果統(tǒng)計表 表1

圖2給出了三種模型預(yù)測結(jié)果的殘差情況,圖2(a)在總體上呈現(xiàn)一定的偏離,說明了BP神經(jīng)網(wǎng)絡(luò)對實時GPS可降水量的預(yù)測并不敏感,該模型不能很好地擬合水汽的短時期變化。從圖2(a)和圖2(b)可知,WNN殘差基本上以零為中心跳動,說明了WNN能夠在一定程度上擬合GPS可降水量;且前兩種模型在前 20 min預(yù)測的效果好。從圖2整體上來看,GWNN模型在前 20 min預(yù)測的效果與另外兩種模型預(yù)測的效果相當,在后續(xù)的 40 min預(yù)測上雖然殘差逐漸變大,但是仍能與原始GPS可降水量序列很好地保持一致。

圖2 方案一預(yù)測結(jié)果殘差圖

3.2 方案二

方案一對GPS可降水量變化程度不明顯的時刻進行了預(yù)測,得出GWNN相對于WNN在預(yù)測精度、穩(wěn)定性以及預(yù)測的時長都有很大的提高,但是該預(yù)測仍然停留在GPS可降水量較為穩(wěn)定的情況,不能代表短時期強對流天氣帶來GPS可降水量劇烈的變化,然而GPS可降水量劇烈的變化對于短時數(shù)值預(yù)測又是非常重要的,因此方案二在方案一的基礎(chǔ)上,就GWNN預(yù)測PWV在氣壓、溫度和濕度等大氣參數(shù)造成的GPS可降水量抖動明顯的情況繼續(xù)進行分析。

由表2可知,對GPS可降水量抖動明顯的情況下進行預(yù)測,WNN模型相對于BP神經(jīng)網(wǎng)絡(luò)模型在預(yù)測的精度上有一定的改進,但是在 60 min的預(yù)測上RMS仍然為 3.11 mm;無法很好地滿足實時的水汽預(yù)測要求,且在預(yù)測的穩(wěn)定性方面依然無法得到很好的改善,WNN模型預(yù)測的最大絕對誤差為 7.85 mm,最大相對誤差為15.92%,均高于BP神經(jīng)網(wǎng)絡(luò)模型??梢娪捎赪NN模型自身的小波分析功能的影響,使得這一特點在GPS可降水量變化劇烈的情況下表現(xiàn)得更為明顯。而本文建立的GWNN模型,網(wǎng)絡(luò)參數(shù)預(yù)測得到的RMS為 2.19 mm,在WNN模型的基礎(chǔ)上有 0.92 mm提高。在預(yù)測的穩(wěn)定性上,相比較于另外兩種模型也均有不同程度的改善。

方案二殘差結(jié)果統(tǒng)計表 表2

圖3 方案二預(yù)測結(jié)果殘差圖

圖3給出了在方案二下,3種模型預(yù)測結(jié)果的殘差圖。從圖3可以看出GWNN模型預(yù)測的效果明顯得優(yōu)于其他兩種方法。圖中存在部分由3種方法預(yù)測結(jié)果的殘差都偏大的點,這一方面與氣壓、溫度和濕度等大氣參數(shù)有關(guān),若以理論推導(dǎo) 2.5 HPa的氣壓變化能導(dǎo)致實時解算GPS可降水量值有 1 mm的變化,因此外部參數(shù)的變化是影響預(yù)測精度的一個重要誤差源;另一方面是由于3種模型均是基于神經(jīng)網(wǎng)絡(luò)的模型進行預(yù)測,因此在趨勢上保持著一致性。同時圖3(a)、圖3(b)中前 30 min部分的效果均要優(yōu)于后半部分,可見隨著預(yù)測步長的增加模型預(yù)測的誤差逐漸增大。而圖3(c)中雖然在后半部分的預(yù)測上有一定的偏大,但是總體上仍然優(yōu)于前面兩種模型,可以保持良好的穩(wěn)定性。說明了GWNN模型可以在一定時間內(nèi)抵抗由于隨著預(yù)測步長增加而帶來預(yù)測偏差。

4 結(jié) 語

本文針對水汽變化劇烈這一特點以及BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)對GPS可降水量預(yù)測的局限性,采用遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)預(yù)測GPS可降水量。分別從預(yù)測的精度、穩(wěn)定性以及預(yù)測的步長等方面對三種模型進行比較,對得到的結(jié)果進行了合理的評價。通過實驗發(fā)現(xiàn),建立的GWNN模型在現(xiàn)有模型的基礎(chǔ)上有很大的改進,能適用于PWV變化劇烈的情況。同時本文對三種不同的模型在GPS可降水量預(yù)測的結(jié)果上亦進行了分析,發(fā)現(xiàn)采用GWNN模型預(yù)測GPS可降水量的一些特點,這些結(jié)論對今后的短時天氣預(yù)測將有著一定的指導(dǎo)作用,而提出的GWNN模型也是一種數(shù)值天氣預(yù)報新方法。在后續(xù)的研究中將對該模型在暴雨、臺風等短時期的強對流天氣情況下進行分析。

猜你喜歡
降水量殘差神經(jīng)網(wǎng)絡(luò)
繪制和閱讀降水量柱狀圖
基于雙向GRU與殘差擬合的車輛跟馳建模
基于殘差學(xué)習(xí)的自適應(yīng)無人機目標跟蹤算法
神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
電子制作(2019年19期)2019-11-23 08:42:00
降水量是怎么算出來的
啟蒙(3-7歲)(2019年8期)2019-09-10 03:09:08
基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
1988—2017年呼和浩特市降水演變特征分析
基于小波變換的三江平原旬降水量主周期識別
基于神經(jīng)網(wǎng)絡(luò)的拉矯機控制模型建立
重型機械(2016年1期)2016-03-01 03:42:04
復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
陇西县| 嘉禾县| 铁岭市| 元谋县| 桃江县| 三门峡市| 万宁市| 佳木斯市| 灵璧县| 芮城县| 武功县| 碌曲县| 龙井市| 红河县| 徐汇区| 揭阳市| 大城县| 遂宁市| 白水县| 昭平县| 洛浦县| 繁峙县| 同仁县| 龙州县| 珲春市| 河北省| 新津县| 广水市| 安庆市| 澄迈县| 呼伦贝尔市| 绿春县| 馆陶县| 汉源县| 米泉市| 安泽县| 焦作市| 铜川市| 巴林左旗| 集贤县| 化州市|