·72 智能系统学报 第1卷 为复杂的子系统之一，并且由于降水变化受众多因 Actual Output ×10 -PLS Output +BP Output 素的影响，预报十分困难.本文利用SSA-MGF方法 0.45 +PSO ANN Outut 对原降水序列重构并延拓，以延拓矩阵作为自变量 0.40 0.35 原序列作为因变量，再利用PLS方法提取对系统解 0.30 释最强的综合变量作为神经网络的输入因子，原始 0.25 降水序列作为输出因子，建立基于粒子群算法的神 0.20 0.15 经网络集成预报模型，通过对广西全区主汛期(6~8 0.10 月)降水量的实例计算对比表明，该方法具有： 0.05 1)利用SSA-MGF方法对原始数据降噪和重 0 10152025303540 n/a 构，并利用PLS处理，提取对系统解释性最强的综 合变量，克服了变量之间的多重相关性，提高模型精 图33种预报模型的拟合效果 度和可靠性，又对神经网络的输入矩阵降维，使得网 Fig 3 Fitting results of the three models 络结构规模变小，增强网络的稳定性 2)利用多样性粒子群优化算法的优化神经网络 ×10 S forecast 0.7 BP forcast PSO ANN forcast 的结构和连接权并集成，它有效结合神经网络的非 线性影射能力和粒子群算法的全局搜索能力，预报 0 效果明显优于PLS模型和BP模型，且预报结果稳 0.4 定，具有一定的普遍适用性 0.3 3)粒子群算法优化神经网络结构和连接权的集 0.2 成过程中，如何更加有效选择集成个体，提高系统的 0.1 泛化能力，将是进一步工作 45678910 n/a 参考文献： [1]DEAN A,ANDREW R,BRIAN H.Forecasting warmr 图43种预报模型的预测效果 season burmoff low clouds at the San Francisco interna- Fig 4 Forecasting results of the three models tional airport using linear regression and a neural net- 和检测样本的平均相对误差分别为：21.22和 work [J ]Apply Meteor,2002,41(6):629-639. 27.34;BP模型对训练样本和检测样本的平均相对 [2]HSIEH WW.Nonlinear canonical correlation analysis of 误差分别为：1.48和31.03；PLS-ANN模型对训练 the tropical pacific climate variability using neural net- 样本和检测样本的平均相对误差分别为：7.23和 work approach[J ]Apply Meteor,2001,14(12):2528 10.92,从表1和图4可以看出，在建模样本相同，预 .2539 报因子相同的条件下，PSO-ANN模型对10个样本 [3]GRIORGIO CORANI,GIOGIO GUARIO.Coupling 的预报精度明显优于PLS模型BP模型 fuzzy modeling and neural networks for river flood pre- BP模型拟合最好而预测最差，说明BP模型出 diction [J ]IEEE Transactions on Systems,Man,And 现“过拟合”现象，PLS模型拟合与预测比较接近， Cybernetic-Part C:Applications and Reviews,2005,25 说明统计模型比较稳定，PSO-ANN模型的拟合和 (3):382-388. 预测相差3.69，相对来说该模型也是比较稳定，但 [4]吴建生，金龙，农吉夫.基于遗传算法的神经网络建模 研究[U].数学的实践与认识，2005,35(1)：83-88 是其预测能力远远好于BP模型和PLS模型 WU Jiansheng J IN longLONG Jifu.Study on model of 同时也对广西全区的7~8月的降雨量分别利 neural network based on genetic algorithm [J].Mathe- 用上述方法建模分析，结果同样表明，PSO-ANN模 matics in Practic and theory,2005,35(1):83-88. 型的预报效果优于传统的PLS模型和BP模型 [5]SOLLICH P,KROGH A.Learning with ensembles: 4 结论 how over-fitting can be useful[A ]In Proceeding of Ad- vances in Neural Information Processing Systems 8[C]. 降水系统是气候系统中最为活跃、相互作用最 Cambridge,MA:MIT Press,1996 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved htp://www.cnki.net图 3 3 种预报模型的拟合效果 Fig13 Fitting results of the three models 图 4 3 种预报模型的预测效果 Fig14 Forecasting results of the three models 和检测样本 的平均相 对 误 差 分 别 为 : 21122 和 27134 ;BP 模型对训练样本和检测样本的平均相对 误差分别为 :1148 和 31103 ;PL S2ANN 模型对训练 样本和检测样本的平均相对误差分别为 : 7123 和 10192 ,从表 1 和图 4 可以看出 ,在建模样本相同 ,预 报因子相同的条件下 ,PSO2ANN 模型对 10 个样本 的预报精度明显优于 PL S 模型、BP 模型. BP 模型拟合最好而预测最差 ,说明 BP 模型出 现“过拟合”现象 ; PL S 模型拟合与预测比较接近 , 说明统计模型比较稳定 ,PSO2ANN 模型的拟合和 预测相差 3169 ,相对来说该模型也是比较稳定 ,但 是其预测能力远远好于 BP 模型和 PL S 模型. 同时也对广西全区的 7～8 月的降雨量分别利 用上述方法建模分析 ,结果同样表明 ,PSO2ANN 模 型的预报效果优于传统的 PL S 模型和 BP 模型. 4 结 论 降水系统是气候系统中最为活跃、相互作用最 为复杂的子系统之一 ,并且由于降水变化受众多因 素的影响 ,预报十分困难. 本文利用 SSA2M GF 方法 对原降水序列重构并延拓 ,以延拓矩阵作为自变量 , 原序列作为因变量 ,再利用 PL S 方法提取对系统解 释最强的综合变量作为神经网络的输入因子 ,原始 降水序列作为输出因子 ,建立基于粒子群算法的神 经网络集成预报模型 ,通过对广西全区主汛期(6～8 月) 降水量的实例计算对比表明 ,该方法具有 : 1) 利用 SSA2M GF 方法对原始数据降噪和重 构 ,并利用 PLS 处理 ,提取对系统解释性最强的综 合变量 ,克服了变量之间的多重相关性 ,提高模型精 度和可靠性 ;又对神经网络的输入矩阵降维 ,使得网 络结构规模变小 ,增强网络的稳定性. 2) 利用多样性粒子群优化算法的优化神经网络 的结构和连接权并集成 ,它有效结合神经网络的非 线性影射能力和粒子群算法的全局搜索能力 ,预报 效果明显优于 PL S 模型和 BP 模型 ,且预报结果稳 定 ,具有一定的普遍适用性. 3) 粒子群算法优化神经网络结构和连接权的集 成过程中 ,如何更加有效选择集成个体 ,提高系统的 泛化能力 ,将是进一步工作. 参考文献 : [ 1 ] DEAN A , ANDREW R , BRIAN H. Forecasting warm2 season burn2off low clouds at the San Francisco interna2 tional airport using linear regression and a neural net2 work [J ]. Apply Meteor , 2002 , 41 (6) : 629 - 639. [2 ] HSIEH W W. Nonlinear canonical correlation analysis of the tropical pacific climate variability using neural net2 work approach[J ]. Apply Meteor ,2001 ,14 (12) : 2528 - 2539. [ 3 ] GRIORGIO CORANI , GIO GIO GUARIO. Coupling fuzzy modeling and neural networks for river flood pre2 diction [J ]. IEEE Transactions on Systems , Man , And Cybernetic2Part C: Applications and Reviews , 2005 , 25 (3) : 382 - 388. [ 4 ]吴建生 ,金 龙 , 农吉夫. 基于遗传算法的神经网络建模 研究[J ]. 数学的实践与认识 , 2005 , 35 (1) : 83 - 88. WU Jiansheng ,J IN long ,LON G Jifu. Study on model of neural network based on genetic algorithm [J ]. Mathe2 matics in Practic and theory ,2005 ,35 (1) :83 - 88. [5 ] SOLL ICH P , KRO GH A. Learning with ensembles: how over2fitting can be useful[A ]. In Proceeding of Ad2 vances in Neural Information Processing Systems 8 [ C]. Cambridge , MA : MIT Press , 1996. · 27 · 智 能 系 统 学 报 第 1 卷 © 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net