文摘
本研究旨在构建一个台风降水预测模型提供的预测提前1到6小时使用最佳的模型参数和结构检索相结合的自适应基于网络的模糊推理系统(简称ANFIS)和人工智能。加强降水预报的准确性,两种结构被用于建立降水预测模型为一个特定的更换模具:单模结构和混合结构的对偶模型更高和更低的降水预报模型的集成。为了快速、自动、准确地获取最优的参数和结构ANFIS-based降水预测模型,应用禁忌搜索确定邻半径在减法聚类构建简称ANFIS结构。耦合结构也被用来建立一个降水预测模型在短期和长期的订货为了提高长期降水预报的准确性。研究领域是石门水库,分析了从2001年到2009年。结果表明,最优初始简称ANFIS禁忌搜索选择的参数,结合问题的对偶模型的混合方法和耦合结构,在计算效率和高可靠性的预测提供了有利于台风降水预测关于短长交货期预测的视野。
1。介绍
台湾位于路径从西太平洋台风的移动,因此,每年3到5台风侵袭台湾。传统方法用于防灾主要包括工程结构,但这些方法已经被证明是主要是缓和,台风有能力破坏水工建筑物如果它们相关的降雨和洪水流量超过设计极限。因此,有效的方法改善typhoon-related灾害需要包括nonengineered防灾项目,如有效的灾害预警和应对机制有关,其中包括能够识别灾难发生之前。其中一个方法是区域定量降水预报(QPF)信息系统。QPF的输出,准确预测降雨持续时间及其位置预测降水量同样重要。预测降水相关的信息可以提供公众(包括气象、水利部门)估计预期的降水尤其是集水区,除了能够预先警告潜在的泥石流灾害或需要使用在水库防洪行动。因此,QPF至关重要用于灾害预警和反应有关。
由于强大的能力的人工神经网络(ann)模型非线性系统而不需要做任何假设,近年来,人工神经网络已越来越多地用于应用程序建模水文过程,包括降水预测(Govindaraju, (1];林和吴,2])。使用人工神经网络的优点包括能够获得准确的短期预测建筑成本较低,而缺点是(1)不满意长期降水预报有明显的时间延迟,(2)低的预测精度与大量的降水。
研究相关的使用网络是总结如下。许et al。3)开发了一种修改计数器传播人工神经网络卫星红外图像变换到沉淀在一个分水岭,和Kuligowski巴罗斯(4)开发了一种前馈神经网络(FFNN)架构与上层大气风向和前期实际降雨量数据预测短期(6小时)沉淀为一个特定的位置。陆et al。5)采用反向传播神经网络(摘要)短期降水预报城市集水区,专注于时间和空间的影响降水预报的信息。本研究发现,有较高的预测精度和减少时间延迟神经网络的输入包括数据时从一定数量的相邻降雨。Grecu和尼夫6]摘要和统计方法应用于雷达回波数据QPF和讨论结果的差异所带来的不同空间分辨率和回声大小。托斯等。7)使用了线性自回归模型、摘要和非参数加权方法为降雨预测仅以降水为模型的输入;结果显示显著改善长期使用安降水预报。陆et al。8]研究了多层前馈神经网络的性能,部分递归神经网络和时间延迟神经网络在降水预测城市集水区。结果表明,三种模型都是有效的降水预报,进一步表明,降水时间序列特征有一个短期记忆,给出的预测降水时间延迟下大的订货。刘等人。9)提出了一个方案,瞬时降雨估计基于WSR的径向基函数神经网络训练- - - - - -88 d多普勒雷达观测。林和陈10]应用安台风降雨预测,他们的研究结果表明,降水明显低估了模型输入时只包括台风特征参数,但预测精度提高通过添加适当的数据从相邻的降雨。瓦尔韦德拉米雷斯(11)开发两种降水预测模型在圣保罗州,巴西。他们的研究结果显示,可以实现更好的性能与ANN模型相比,多元线性回归模型(高),特别是在使用非线性降水预报等现象。香港(12)开发了一个混合模型的RNNs(复发性人工神经网络)和svm(支持向量机),即RSVR,台风降水预测,混沌粒子群优化算法(复)是用来选择SVR模型的参数。结果表明,该模型取得了良好的预测性能。林和吴2)结合自组织映射(SOM)和多层感知器网络(MLPN)来开发一个混合台风降水预测模型。在提出的模型中,数据分析技术是基于SOM开发的,就是能执行聚类分析和歧视分析在一个步骤中,和MLPN作为非线性回归技术建立输入和输出数据之间的关系。结果显示该模型提供更准确的预测模型比使用传统的神经网络方法。
基于之前的研究,有一个明显缺乏相关研究瞬时台风降水预测使用ANN技术。然而,台风期间降水的准确预测是非常困难的,因为变量的跟踪台风和台风发行量之间复杂的交互和不同地形(黄等,13])。结果,准确和有效的应用ANN技术(人工智能领域内的)在台风降水预测多个交货期是一个主题,迫切需要发展和科学突破。台风降水特点是模糊,混乱,和高度不确定的非线性系统。自适应网络模糊推理系统(简称ANFIS)被广泛用作各种现实问题的解决方案包含模糊逻辑推理和学习,因此被认为是一种很有前途的候选人技术用于台风降水预测。当前可用的文学与人工神经网络显示,网络体系结构的选择(输入选择参数和网络体系结构)及其有效的培训非常耗费时间,和主要障碍是其固有的日常应用程序(Nasseri et al ., (14])。最常用的方法来检索参数和结构网络模型试错法是一个随机的,耗费时间,证明困难获取最优参数,并且只有有限的先前的研究进行人工神经网络的参数和结构的优化。这些研究,El-Fallahi et al。15]采用广义简约梯度(GRG)方法来优化选择初始重量和偏见的摘要值。结果表明,GRG法能够有效地搜索最优权重和偏置值在合理的计算时间。此外,Nasseri et al。14)建立了基于FFNN降水预报模型,利用反向传播学习算法和遗传算法在网络训练和优化,分别。结果表明遗传算法性能优越的降水预报通过选择最优网络输入,而随机选择输入。此外,莱希et al。16]应用模拟退火和禁忌搜索算法调整网络的权重和节点的数量;结果表明,最优安结构和模拟退火算法的参数选择,以及禁忌搜索,大大减少了错误和网络的复杂性。此外,这种技术产生了有前途的预测结果。
然而,这些上述研究尚未解决的问题关于简称ANFIS的参数和结构的优化。因此,本研究的目的是开发多种机制和方法构建一个台风降水预测模型基于简称ANFIS和摘要,并比较各自的优缺点。通过各种方法的研究,其中包括最优选择简称ANFIS参数和结构的基于禁忌搜索和减法聚类的合并,降水预测特定更换模具使用单模结构和混合结构的对偶模型,并使用耦合和多个更换模具的降水预报noncoupled结构,我们的目标是为简称ANFIS提高建模效率,改善高强度降水的预测能力,不再更换模具,提高预测精度,分别。
2。发展的方法
2.1。程序
本研究中使用的过程分为四个步骤,如图1。彻底详细的过程描述如下。
步骤1。最优输入选择台风降水预测模型。非参数统计相关性分析应用于气象和降水因素有关的数据在之前的台风。在确定阈值,变量相关系数较高的被选为模型的输入。
步骤2。简称ANFIS的优化建设机制是决定(部分2.3)。模糊减法聚类方法(部分2.3。2)是用来确定隶属度函数的模糊规则库的数量以及函数参数在模型建设。模糊减法聚类的初始邻半径选择使用两种方法:传统的随机试错法和禁忌搜索算法,为了快速,自动、准确地检索简称ANFIS的最优参数和结构(部分2.3。4)。
步骤3。最优预测模型结构检索特定的更换模具。降水预报模型基于简称ANFIS和摘要分别使用问题的对偶模型构造的混合结构未来一段时间从1到6个小时。问题的对偶模型混合结构是由构造,结合高和低降水模型。单模结构和混合结构的对偶模型进行比较,以确定哪些模型是优越的。
步骤4。多个更换模具的降水预测模型的最优结构检索。降水预报模型耦合,而在不同交货期noncoupled结构。
2.2。选择模型的输入
2.2.1。候选人预测
三种类型的预测被用于这项研究。(1)台风因素:经度、纬度、风速、中部中央的压力,7级台风半径,半径十级台风,台风移动速度。(2)降雨站因素:降雨预报地面站和降雨从邻站。(3)使用基本气象因素计算出台风因素公式如下。(1)台风和预测之间的距离:这个距离可以使用一个转换公式从经度/纬度到距离: 在哪里和是台风中心的纬度和预报站在时间吗和和台风中心的经度和预测站在时间吗。(2)在降雨车站上风速:观察到的瞬时、7年级10台风速度和半径被用于本研究计算循环在台风降水模型。风速和之间的关系描述的台风中心距离 在哪里是一个经验值,随位置;是一个常数;和是台风和预报站之间的距离在时间吗。的值和可以从已知的解决速度和半径值、7年级10个台风。在降雨车站上风速然后用得到的台风和车站之间的距离(2)。(3)台风特征参数:台风特性参数计算的半径和径向速度、7年级10个台风使用以下公式: 在哪里和10、7年级台风半径,分别在时间吗和和是径向风速、7年级10个台风,分别在时间吗。
2.2.2。选择模型的输入
在这项研究中,使用的良好的输入预测模型使用相关分析决策、和斯皮尔曼等级相关系数(枪兵,17采用])作为分析指标。用于相关性的分析机制取决于等级关系的两个变量的时间序列,因此这种分析可以确定输入的相关性和适用性,不论候选人之间存在什么样的关系,输入和输出;也就是说, 在哪里是斯皮尔曼等级相关系数,是数据的数量,的候选人输入预测模型(预测),模型的输出也称为predictant(未来降水预测交货期吗来),和排序的值吗和分别以个人变量的时间序列。
2.2.3。预测模型的评价指标
预测模型的性能主要是评估使用平均绝对误差(MAE)准则在目前的研究。均方根误差(RMSE),相关系数(CC)被用来验证解决方案的适用性选择美: 在哪里预测的值在时间吗;测量值在时间吗;基准时间序列;和是数据的数量。
小美和RMSE值意味着更高的预测模型的准确性,和更大的CC值表明之间的紧密耦合的预测和测量系列。的值允许更现实的模型的有效性和模型的可控性一般水文预报模型(这是特别有用)。降水特点是连续时间系统,降水在时间可以转移以及时间单元连接起来,形成一个基准价值在时间,这样一系列的基准可以构造。错误的预测系列和基准系列都是计算使用(从测量值7)。一个负值的表明贫穷的性能预测模型与基准相比系列;显示了一个等效的性能预测模型和基准系列;和积极的值意味着预测模型优于基准系列。
2.3。建立最优简称ANFIS建设机制
安最常用的检索方法参数和结构合并随机试错法与传统参数搜索算法,用于确定最合适的初始结构参数和训练下的最佳数据驱动参数随机设置的结构。然而,随机试错方法耗费时间,和最优参数和结构的检索变得非常困难,如果初始解决方案设置不当,如果建模系统是巨大的。因此,优化方法采用在目前研究检索简称ANFIS的最优参数和结构。具体地说,第一次应用禁忌搜索优化邻半径减法聚类算法,并使用减法聚类来确定简称ANFIS的模糊隶属函数参数和网络结构。最后,顺向层的参数估计的最小二乘估计量完成简称ANFIS模型。更换模具的测试确定的模型在目前的研究中,如图2。简称ANFIS、减法聚类和测试中使用的禁忌搜索详细描述如下。
2.3.1。简称ANFIS的介绍
简称ANFIS是张成泽(1993)提出的18)和基于模糊推理系统由结合神经网络的自组织特征。因此,简称ANFIS集成两个算法来提高其准确性和解决最好的参数采用学习和自适应的能力。简称ANFIS是由一个输入层、规则层,归一化层,顺向层,和一个输出层,如图3。建模工具可以fuzzy-complex过程和现象转换成人工逻辑语言,因此是一个潜在的方法对台风降水预测。每一层的计算和传输是描述如下。
(1)输入层。这一层的项目输入一组模糊集和估计的隶属函数的值。我们采用一组高斯函数作为隶属函数,可表示如下: 在哪里是成员函数,和是前期的参数,输入的数量,是输入的模糊隶属度函数的数量吗。
(2)规则层。这一层之前先行词匹配变量之间的模糊逻辑规则,然后应用T-norm产品操作来获取每个规则的加权值;也就是说, 在哪里加权值和吗是规则的数量。
(3)归一化层。这一层的节点计算输出节点和其他节点之间的比例;也就是说, (4)顺向层。顺向层节点的输出产品的输出归一化层和Sugeno模糊模型(高木涉Sugeno, (19]);也就是说, 在哪里代表了顺向参数和= 1。
(5)输出层。这一层的输出总结上一层计算模型输出;也就是说,
简称ANFIS是前馈神经网络,由监督学习。网络参数可以分为前期参数(非线性参数:,)和顺向参数(线性参数:),模型结构是由隶属函数的数量设置在输入层和统治层的节点的数量。传统的模型结构和初始参数是由随机试错的方法,检索数据驱动的训练后和校准参数由最小二乘估计(LSE)和梯度最速下降法。
减少时间模型建设获得最好的网络结构和参数,本研究使用混合算法构造简称ANFIS包括减法聚类(SC)和最小二乘估计(LSE)。输入和输出向量之前首先由减法聚类分类训练模型。从分类获得集群的数量设置为隶属度函数的数量在各种输入层节点模糊化和规则的节点数层,和th隶属函数节点每个输入层节点连接到相应的th规则层节点。在确定网络结构,每个集群的中心点和标准偏差作为初始参数输入层的隶属度函数(高斯函数)。训练数据被送入网络与随之而来的线性参数设置和先成非线性参数集解决最小二乘估计量和梯度最陡下降法,分别。相应的算法流程图模型的结构如图4;这种复合结构机制只需要设置相邻减法聚类半径和后续培训的网络结构和参数自动完成。网络结构可以显著减少所需的时间来获取最优的模糊隶属度函数,规则,和网络参数,可以获得最优网络结构和参数后,简单地设置相邻半径在0和1之间(张成泽,(18];张成泽et al ., (20.])。
2.3.2。采用减法聚类
减法聚类是受雇于本研究构建模糊if - then规则以减少模糊隶属函数的参数的数量简称ANFIS模型。这是建立一个合适的执行规则库的模糊推理系统。减法聚类提出了赵(21),每一个数据点作为候选的集群中心。减法聚类是一个快速和独立的聚类方法:计算复杂性的数据和数量成正比是独立于系统维度。例如,是集的数据维空间密度和相应的措施被定义为 在相邻的半径是一个正数代表靠近中心的距离和半径外的数据点密度最低影响的措施。为每个数据点密度测量计算()和最高的密度()被选为第一个集群中心()。然后修改密度测量的定义来选择下一个集群中心。假设集群中心选择吗th,和相应的密度测量修改后的公式如下: 在半径相同的定义吗和通常设置为这样选择的中心将不会太接近。上面的集群中心的选择过程重复进行,直到达到终止条件或有足够数量的集群中心。
2.3.3。最优模型的建立
在这项研究中,本研究中使用的禁忌搜索是优化邻半径在减法聚类获得最优简称ANFIS参数和结构。目标函数最小化预测误差如下:
一个更小的目标函数的值(值)表示,预测模型具有较高的精度。邻半径的值在0和1之间,和计算的层层简称ANFIS都属于约束如下所示: 在哪里是相邻的半径。为了提高预测精度,单一预测模型构建为每个更换模具的时间没有联系他们,被列为noncoupled结构,在单模结构和混合结构的对偶模型首先比较来确定后续研究课题对于预测模型结构为一个特定的交货期(多个更换模具的降水预报模型基于耦合和noncoupled结构描述的部分2.5)。
2.3.4。引入禁忌搜索
格洛弗的提出了禁忌搜索(22)和格洛弗拉古纳(23),引导搜索方向和区域使用不同类型的内存。在搜索,搜索方向或区域可以赞成或禁止根据记忆和规则。此外,搜索也可以退出一个局部最优区域,避免重复搜索通过禁忌表的定义,包括搜索变量的类型和长度和相关的目标函数值,只在每次迭代搜索找到最好的候选方案。因此,这种搜索机制不仅能够显著提高搜索效率和精度,还能够获得最好的全球性的解决方案。因此禁忌搜索是应用于优化邻减法聚类半径,简称ANFIS模型中根据需要建设。图见图的方法2。
2.4。检索的最优预测模型结构为一个特定的交货期
在台风期间,大量的降水的准确预测被认为是更重要的比大量的降水较低。根据先前的研究,降水常被低估了更高的降雨,表明不同的底层机制参与更高和更低的降水(陆et al。5];林和陈10];林和吴2])。为了解决这个问题,本研究优化高等降水的预测减少预测误差。此外,它预计较高降水的预测误差低于获得单模结构。
据台湾中央气象局,暴雨被定义为24小时累积降雨量50毫米以上,在此期间至少有一个小时降雨量达15毫米以上的地方。因此,在本研究高降水被定义为一个15毫米/小时以上。问题的对偶模型的混合方法在本研究提出构造低和高降水预报模型,可以随后在瞬时预测。低降水模型通常是最初应用,如果预测降水小于15毫米/小时,预期值是直接接受。然而,如果预测降水量大于15毫米/小时,降水量模型是用来获取相应的预测价值。在本节中,单模法和问题的对偶模型混合方法中首先比较noncoupled结构为了确定模型建设为一个特定的更换模具的多个更换模具的时间预测模型相结合,基于noncoupled和耦合结构(见部分2.5)。
2.5。结合多个基于耦合和Noncoupled更换模具的降水预报模型结构
由于大气之间的关系的复杂性和不确定性,自然地理学,任何降水预报的准确性降低与任何增加预计交货期。在现在的研究中,提出了两种结构改善长期降水预报的准确性通过构建多个更换模具的降水预测模型。第一个结构是noncoupled模型,预报模型的输入都是瞬时观测数据,对不同的交货期和预测模型的输出每个更换模具不加上模型输入在下次更换模具。第二个结构耦合模型,更好的描述之间的关系系列和提高预测信息。耦合结构因此预计将提供一个更准确的降水预报更长的交货期。观察到的信息包括台风输入和气象因素和物理因素,而降水因子夫妇观察和预测信息。以本研究为例,预测降水是所需的耦合模型,预测降水替换输入降水在模型,预测降水替换输入降水在模型,等等。noncoupled和耦合结构如图所示5。模型的训练之后,它将是为了调查两种结构的性能在实际应用中使用模型的验证和评估指标的测试阶段。
2.6。摘要介绍
最常用的摘要是受雇于本研究构建模型基于noncoupled单模和问题的对偶模型的混合方法,以及耦合结构。BPNN-based预测性能又与新开发的简称ANFIS模型。摘要利用,由Rosenblatt [24),是一个没有隐藏层的单层感知器,因此无法解决某些问题。多层神经网络的概念才意识到著名的反向传播学习方法提出了Rumelhart和麦克勒兰德25],它开发了一个有效的策略解决大量的节点权重。
摘要结构组成的多层感知器(MLP)和一般采用误差反向传播(EBP,缩写为反向传播(BP)算法作为学习算法。延时和EBP称为摘要。BP算法是归类为多层FFNN,以及输入和输出之间的非线性映射是由监督学习。摘要采用的一般结构如图6,包括一个输入层、隐藏层和输出层。代表输入和输出层的输入和输出值的节点类型确定的需要解决的问题。隐藏节点的数量通常是采用试错法检索。此外,隐藏层的数量可以增加从一个到多个层基于问题的复杂性。不同的层连接的节点相关的权重。输入值直接传输到输入层和隐层通过转换成输出的加权求和后激活功能。输出值反馈到输入层以同样的方式。摘要利用的输出th节点th层节点输出的转换函数th层: 在哪里代表了节点输出th层,第一层的输入。激活函数和吗加权求和输出的吗th层: 在哪里连接节点重量是th节点th层和th节点th层和的偏差值吗th节点层。在目前的研究中,激活函数摘要隐藏层和输出层的设置为双曲函数和线性的激活函数,分别。监督学习网络,摘要旨在减少网络输出和目标输出之间的区别。目标函数(即。、成本函数)定义如下: 在哪里的目标输出值吗th节点和的网络输出值吗节点。因此,网络学习的过程是一个最小化目标函数的过程。在目前的研究中,摘要参数的优化是由共轭梯度法搜索目标函数的最小值。
3所示。应用程序
3.1。研究区域
本研究中提出的方法应用到石门水库集水区域,衡量约763.4公里2。这个领域中的主流是Dahan溪,这是淡水河的上游。雨站在石门水库下游区用于本研究建立了北部地区水资源办公室在经济部水利署和包括位置在石门,Hsia-Yun,高奕,Ba-Ling, Galahe,于峰(音),Bai-Shi, Zhenxibao Siciouish山,Chi-Duan(图7)。
3.2。数据用于模型建设
本研究利用瞬时观测信息,如降雨和台风特点,预测降水从六个交货期来。输出变量是作为两个降雨站的降水预报来在石门水库集水面积:于峰(音)和Hsia-Yun电台。总共有25个台风在本研究中选择基于台风预警发布土地的标准和相应的累积降水量大于50毫米。模型结构包括三个阶段,即训练、验证和测试阶段(表1)。
3.3。结果与讨论
3.3.1。模型的输入选择
相关分析是应用于本研究评估每个输入因素和降水之间的相关系数在每个每个降雨站更换模具。所选模型输入和相应的相关系数于峰(音)站和Hsia-Yun站如表所示2和3,分别。研究由林和陈10]表明,过度的模型输入可能会引入额外的噪声模型,因此选择10个输入因素基于相关系数和随后的测试是用来避免过度投入,同时保留预测模型所必需的信息。此外,我们旨在包括某些台风因素作为模型的输入,以补充信息(林和陈10];林和吴2)不能由降雨,因此三个台风因素,7站降雨因素被选为输入。结果表明,主要用于预测因素是降水信息,这台风因素和计算物理因素也是必不可少的。这些参数被认为是基本用于消除时滞和降雨特征。
3.3.2。确定最优简称ANFIS建设机制
本研究结合禁忌搜索和减法聚类来确定最优简称ANFIS的结构和参数。邻在减法聚类半径优化使用两种方法:传统的随机试错法和禁忌搜索。的美值预测降水在验证被用来比较两个方法和识别优秀模型。10的输入和一个输出(总共11个变量)是包括在拟议的模型,和,因此,决策变量的数量邻半径设置为11。
11个随机数生成的随机试错法的值在0和1之间每次相邻减法聚类半径,紧随其后的是模型参数训练使用伦敦证交所和梯度最速下降法。共有1000个模型生成和训练,和最小的一家美价值被选为最优模型在随机试错法。禁忌搜索第一50集的随机生成解决方案的培训,然后选择一个最小的美值作为禁忌搜索算法的初始解。获得的最优解是进行一个额外的20禁忌搜索算法的迭代步骤转变的决策变量设置为0.05。
邻在减法聚类半径使用禁忌搜索,发现和验证的梅的沉淀值预测模型于枫站和Hsia-Yun车站见图8。这些数字表明的美值构造预测模型大大减少了迭代的数量的增加。此外,最优美值明显低于随机试错法。此外,禁忌搜索只需要490次迭代,不到一半的所需的计算量和时间随机试错的方法。测试结果见表4也表明,禁忌搜索能够检索最优简称ANFIS参数和结构比随机试错法更有效。降低测试的美和RMSE值和CC和更高的检测价值收到的禁忌搜索方法是构造ANFIS-based降水预测模型使用禁忌搜索方法更准确,稳定,比随机试错法和有效。因此,禁忌搜索被选为确定最优邻半径。
(一)
(b)
3.3.3。检索的最优预测模型结构为一个特定的交货期
(1)ANFIS-Based单一和混合降水预测模型为一个特定的交货期。在本节中,noncoupled单模结构和混合结构的对偶模型为每个更换模具的比较。最优模型使用的施工方法是一样的,用于构建每个更换模具的耦合模型。单一和混合模型的预测性能于峰(音)和Hsia-Yun站比较数据9和10。美价值低的基础上评价指标比单模的对偶模型的混合结构,结果表明,混合模型有效地提高了预测精度特别是高强度降水之间和。的验证和测试结果于枫站和Hsia-Yun站都可以得到证实。然而,较低的预测准确性于峰(音)车站观察因为天气预报更容易更换模具的时间滞后,当使用高和低降水的组合模型,低降水的降水预报模型实际上是由更高的降水预报模型,增加了预测误差。基于测试结果,问题的对偶模型的混合结构简称ANFIS预测模型优于单模的结构,因此选择构造多个订货周期的耦合预测模型。
(一)
(b)
(一)
(b)
(2)BPNN-Based单一和混合降水预报模型为一个特定的交货期。BPNN-based单一模型构造使用一个模型在每个预测交货期。隐藏节点的数量被确定使用下列程序:节点数量从2到10第一次单独训练了10次,每次5000次迭代。三个节点数给最小的平均美价值观被选定接受额外的1000次迭代的训练。最后,节点数量与最小的美价值被确定为最优模型为一个特定的交货期。梅的验证和测试值的比较在于峰(音)和Hsia-Yun电台显示BPNN-based混合和单一模型的性能比较,如图11和12。然而,当混合模型比单一模型,混合模型是小得多的美值比单一模型。因此,本文选取问题的对偶模型混合结构构造耦合的多个更换模具的时间预测模型。
(一)
(b)
(一)
(b)
3.3.4。优降水预测模型结构的检索多个订货
在本节中,四个多个更换模具的时间预测模型基于混合模型结构比较(BPNN-noncoupled, BPNN-coupled、ANFIS-noncoupled ANFIS-coupled)。除了美价值,验证和测试的效率和方便模型的建设也被视为模型性能评价标准。模型的验证美值在多个于峰(音)和预计交货期Hsia-Yun站在图所示13,模型的测试索引值于枫站和Hsia-Yun站数据所示14和15,分别。结果表明,ANFIS-coupled模型几乎一贯优于ANFIS-noncoupled模型于峰(音)和Hsia-Yun站。特别是ANFIS-coupled模型取得了更大的提高预测精度在更换模具的时间基于MAE的值更大,RMSE CC,,表明一个真正改善ANFIS-coupled模型更大的更换模具。然而,预测性能的变化是微不足道的BPNN-coupled和BPNN-noncoupled之间的模型,这意味着摘要降水预测模型基于耦合结构没有比一个基于noncoupled结构为多个更换模具的时间预测。它表示,因为简称ANFIS的模拟机制拥有更高的宽容和适应能力传播错误基于fuzzy-adaptive路由结构,简称ANFIS的耦合结构可以执行更好的预测精度,稳定,比摘要和有效性。
(一)
(b)
(一)
(b)
(一)
(b)
隐层的节点数的最优BPNN-noncoupled于枫站降水预测模型从更换模具的时间是8 1小时到6小时,8,9,9日,9日和9日,Hsia-Yun站,分别是8,8,9,9日10日和10。在BPNN-noncoupled预测模型中,最优隐层的激活函数为短交货期1小时到3小时是双曲函数,但是,时间更换模具的时间4小时到6小时,最佳的激活函数是线性函数。它代表的实时观测气象降雨信息可以检索未来降水机制,激活和线性函数可以更好的解决这个问题低估未来降水在更换模具的时间更长。此外,来自最优的规则数量ANFIS-coupled降水预测模型于枫站从更换模具的时间1小时到6小时是6,7,7、8、8、8,分别和Hsia-Yun站是7,8 8 8,分别为9和9。最优模型结构无论简称ANFIS或摘要会沿着增加更复杂的预测交货期为于枫站和Hsia-Yun站。它表示,由于降雨预测更换模具的时间的不确定性太高,预测模型包括简称ANFIS和摘要需要更多的规则和网络连接,分别检索typhoon-rainfall机制。此外,由于Hsia-Yun站的位置比于峰(音)在边缘盆地附近的车站,在地形的影响,降低代表相邻测站提供的信息,预测模型Hsia-Yun站包括简称ANFIS和摘要需要更复杂的规则和网络结构比于峰(音)站,分别检索typhoon-rainfall机制。
从模型的角度建设时间,简称ANFIS模型被发现明显好于摘要模型。在目前的研究中,基于计算机计算了摘要大约40000秒为一个更换模具的构造预测模型,简称ANFIS只需要大约1800秒。这意味着没有使用多台计算机并行计算,摘要需要三天完成模型建设来,简称ANFIS只需要三个小时。结果,ANFIS-based降水预测模型根据其建设被认为是优越的速度和便利,可以解决时间问题。此外,在每个预测模型的整体性能更换模具的没有什么差别,和大部分的验证和测试的结果ANFIS-coupled模型接近最优。因此,从稳定性和可靠性的角度,ANFIS-coupled模型结构是一个更有利的选择对台风降水预测在不同的订货。验证和测试降水预报结果的ANFIS-based noncoupled混合模型在于峰(音)和Hsia-Yun电台数据所示16和17分别的如数据所示18和19,分别。
(一)
(b)
(一)
(b)
(一)
(b)
(一)
(b)
4所示。结论
台风降水特点是混乱的,模糊,高度不确定、非线性系统。自适应网络模糊推理系统(简称ANFIS)使用模糊逻辑推理能力和学习。因此,本研究应用简称ANFIS,与多个人工智能技术相结合,开发最优建设机制使用模型参数和结构的台风降水预测模型一至六小时更换模具。该系统是由比较与评价最常用的反向传播神经网络(摘要)。本研究首先采用非参数相关分析来评估多个观察和预测变量之间的相关性(台风因素,计算物理因素,从相邻的降水和降水信息站)的降水预报站,所以最合适的输入变量确定每个更换模具。为了有效地、准确地检索ANFIS-based降水预测模型的最优参数和结构,应用禁忌搜索确定邻半径在减法聚类构建简称ANFIS结构。禁忌搜索的结果进一步与随机试错法来获得一个快速和自动的解决方案。提高预测精度更高的降水,单模法和问题的对偶模型混合法被用于本研究预测更高和更低的沉淀为一个特定的交货期。此外,采用耦合结构的建设多个更换模具的降水预测模型来提高长期降水预报的准确性。最后,四个比较多个交货期预测模型,包括ANFIS-coupled ANFIS-noncoupled BPNN-coupled, BPNN-noncoupled。
该方法应用于台湾石门水库集水面积从2001年到2009年的一项研究。结果表明,(1)减法聚类能够有效地简化简称ANFIS的结构和算法参数和禁忌搜索能够有效地优化参数减法聚类,从而获取最佳的简称ANFIS参数和结构。与随机试错法相比,计算效率的显著禁忌搜索提供了支持和高可靠性的预测在台风降水预测。(2)由于不同的降水机制发生关于长交货期预测的视野,本研究结合预测结果从更高和更低的降水模型并预测台风降水为一个特定的更换模具的时间基于当前降水水平。结果表明,问题的对偶模型混合法优于单模结构整体美和在最大降水预测的准确性。(3)简称ANFIS模型不仅表现摘要模型在模型建设效率,但其预测的准确性也等于摘要模型。简称ANFIS模型表现出良好的性能在高度复杂的非线性特征在台风大气与降水之间的关系。因此,使用的输入和输出之间的耦合简称ANFIS预测模型能够有效地在不同交货期改善长期降水预报的准确性。BPNN-coupled之间的预测性能几乎没有变化和BPNN-noncoupled结构为多个的订货预测,表明摘要模型相对不敏感,沉淀值,更新和摘要算法的错误容忍机制相对较低。
利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究部分由国家科学委员会,台湾(批准号NSC 102 - 2625 m - 002 - 005)。此外,作者感谢审稿人的宝贵意见和建议。