針對徑向基函數(shù)（RBF）網(wǎng)絡(luò)結(jié)構(gòu)和初始數(shù)據(jù)中心難以客觀確定的不足,采用二分搜索密度峰聚類算法（TSDPCA）找到數(shù)據(jù)中心值及數(shù)據(jù)簇類個數(shù)作為RBF神經(jīng)網(wǎng)絡(luò)的初始參數(shù)和隱藏層節(jié)點(diǎn)數(shù),再利用梯度下降法優(yōu)化RBFNN結(jié)構(gòu)及各個參數(shù)建立預(yù)報模型,并應(yīng)用于廣西月降水預(yù)報中,以檢驗(yàn)該模型的有效性。結(jié)果表明,與K-RBFNN和OLS-RBFNN的模型相比,TSDPCA-RBFNN預(yù)報平均相對誤差值下降了10%～35%,具有更好的預(yù)報性能。 

【文章來源】：計算機(jī)應(yīng)用研究. 2019,36(02)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

基于TSDPCA的ＲBFNN建立預(yù)測模型3．2數(shù)據(jù)預(yù)處理

平均相對誤差(MAPE)MAPE=1N∑Ni=1Yi－Y'iYi×100均方根誤差(ＲMSE)ＲMSE=1N∑Ni=1Yi－Y'i槡2洪災(zāi):(error＞250mm)F=∑Ni=1Ii，Ii=1Yi－Y'i≥2500Yi－Y'i{＜250旱災(zāi):(error＜50mm)D=∑Ni=1Li，Li=1Yi－Y'i＜500Yi－Y'i≥{50圖4三種模型對2006年的降雨量預(yù)測值圖5三種模型對2007年的降雨量預(yù)測值圖6三種模型對2008年的降雨量預(yù)測值圖7是利用TSDPCA根據(jù)λi降序?qū)?shù)據(jù)集值進(jìn)行分類，從圖中發(fā)現(xiàn)聚類數(shù)目達(dá)到14時λi變化幾乎趨于穩(wěn)定，說明分為14個類簇是比較合適的。根據(jù)相鄰之間變化比較小作為終止條件可以自動地獲取聚類數(shù)目和中心點(diǎn)。圖7類簇曲線圖8、9是利用訓(xùn)練數(shù)據(jù)在訓(xùn)練過程中誤差達(dá)到平穩(wěn)的收斂次數(shù)。從圖中可以看出TSDPCA-ＲBFNN模型的收斂次數(shù)值要比其他兩種模型收斂次數(shù)值小。表2給出了三種模型在訓(xùn)練過程中擬合的時間以及對2006—2008年這三年的月平均降雨量在三種不同模型中預(yù)測誤差的精確度。從表中可以看出，TSDPCA-ＲBFNN平均相對誤差、均方根誤差和平均絕對誤差都是最小的，比K-ＲBFNN模型的平均相對誤差下降了10%左右，比OLS-ＲBFNN模型下降了35%，這就說明TSDPCA-ＲBFNN的預(yù)測精度有很大的提高，能較準(zhǔn)確地預(yù)測降水預(yù)報。此外，本文對比了三種模型的收斂速度，主要從模型訓(xùn)練擬合時間和誤差達(dá)到平穩(wěn)的訓(xùn)練收斂次數(shù)兩個方面考慮，TSDPCA-ＲBFNN模型的訓(xùn)練擬合時間為18．6345s，收斂次數(shù)10次;而OLS-ＲFBNN模型的訓(xùn)練?

【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)的k-中心點(diǎn)聚類算法及在雷暴聚類中的應(yīng)用[J]. 朱曄,馮萬興,郭鈞天,李雪皎,劉娟.  武漢大學(xué)學(xué)報(理學(xué)版). 2015(05)
[2]密度峰值優(yōu)化初始中心的K-medoids聚類算法[J]. 謝娟英,屈亞楠.  計算機(jī)科學(xué)與探索. 2016(02)
[3]BP神經(jīng)網(wǎng)絡(luò)洪水預(yù)報模型在洪水預(yù)報系統(tǒng)中的應(yīng)用[J]. 胡健偉,周玉良,金菊良.  水文. 2015(01)
[4]SOM-RBF神經(jīng)網(wǎng)絡(luò)模型在地下水位預(yù)測中的應(yīng)用[J]. 劉博,肖長來,梁秀娟.  吉林大學(xué)學(xué)報(地球科學(xué)版). 2015(01)
[5]基于密度參數(shù)K-均值算法的RBF網(wǎng)絡(luò)及其在降水量預(yù)測中的應(yīng)用[J]. 郭皓,邢貞相,付強(qiáng),李晶.  水土保持研究. 2014(06)
[6]Num-近鄰方差優(yōu)化的K-medoids聚類算法[J]. 謝娟英,高瑞.  計算機(jī)應(yīng)用研究. 2015(01)
[7]基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的地下水?dāng)?shù)值模擬模型的替代模型研究[J]. 伊燕平,盧文喜,張耘,蘆貴君,王大中,洪德法.  水土保持研究. 2012(04)
[8]基于混合進(jìn)化算法的RBF神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測[J]. 龍文,梁昔明,龍祖強(qiáng),秦浩宇.  控制與決策. 2012(08)
[9]基于RBF神經(jīng)網(wǎng)絡(luò)的池州市降水序列預(yù)測[J]. 沈艷,楊春雷,張慶國,朱雅莉.  安徽農(nóng)業(yè)大學(xué)學(xué)報. 2012(03)
[10]基于密度的K-means聚類中心選取的優(yōu)化算法[J]. 周煒奔,石躍祥.  計算機(jī)應(yīng)用研究. 2012(05)



本文編號：3478142