一种基于多层感知器的动态区域联合短时降水预报方法

被引：18

作者：

张鹏程

贾旸旸

机构：

[1] 河海大学计算机与信息学院

来源：

计算机应用与软件 | 2018年 / 35卷 / 11期

关键词：

多层感知器; 感知范围; 动态调整; 降水预报; 参数调整;

D O I：

暂无

中图分类号：

P457.6 [降水预报];

学科分类号：

070601 [气象学];

摘要：

降水是最难预报的天气要素之一。在预报站点和周围站点之间建立多层感知器,利用主成分分析对环流背景场和局地气象要素差异等13个因子降维,作为多层感知器的输入,并采用贪心算法选择多层感知器的结构。通过联合多个多层感知器同时预报降水,提出一种动态区域联合短时降水预报方法。实验证明该方法降水预报效果较好,3小时降水预报能力优于ECMWF(European Centre for Medium-Range Weather Forecasts)和日本气象厅(JMA)数值模式。

引用

页码：153 / 158+183 +183

页数：7

共 16 条

[1]

基于卷积神经网络的汽车型号识别 [J].

陈淑君 ;

周永霞 ;

方勇军 .

计算机应用与软件, 2017, 34 (11) :228-231

[2]

一种基于深度网络的多环境因素降水量预报模型 [J].

张鹏程 ;

张雷 ;

王继民 .

计算机应用与软件, 2017, 34 (09) :240-245+261

[3]

基于并行化递归神经网络的中文短文本情感分类 [J].

谢铁 ;

郑啸 ;

张雷 ;

王修君 .

计算机应用与软件, 2017, 34 (03) :205-211+232

[4]

深度学习研究与进展 [J].

孙志远 ;

鲁成祥 ;

史忠植 ;

马刚 .

计算机科学, 2016, 43 (02) :1-8

[5]

基于小波与R/S方法的汉江中下游流域降水量时间序列分析 [J].

潘雅婧 ;

王仰麟 ;

彭建 ;

沈虹 ;

刘小茜 .

地理研究, 2012, 31 (05) :811-820

[6]

基于MATLAB的主成分RBF神经网络降水预报模型 [J].

农吉夫 ;

金龙 .

热带气象学报, 2008, 24 (06) :713-717

[7]

主成分分析和因子分析应用中值得注意的问题 [J].

王学民 .

统计与决策, 2007, (11) :142-143

[8]

支持向量机(SVM)方法在降水分类预测中的应用 [J].

杨淑群 ;

芮景析 ;

冯汉中 .

西南农业大学学报(自然科学版), 2006, (02) :252-257

[9]

Deep learning [J].

LeCun, Yann ;

Bengio, Yoshua ;

Hinton, Geoffrey .

NATURE, 2015, 521 (7553) :436-444

[10]

Modeling of monthly rainfall and runoff of Urmia lake basin using “Feed-forward neural Network” and “Time series Analysis” model.[J].Jamileh Farajzadeh;Ahmad Fakheri Fard;Saeed Lotfi.Water Resources and Industry.2014,

← 1 2 →