BP神经网络在建模中的参数优化问题研究

神经网络方法已经在过去很多年中得到了大量研究,特别是基于误差反向传播算法的人工神经网络(简称BP-ANN)在很多天气预报业务上发挥了重要作用。对于BP-ANN训练有这样的一个问题,在同一个样本模型、同样的网络结构和同样的输入参数情况下,每次训练得到的权重和最终的误差结果几乎都是不一样的,有的会很好,有的会较差。在利用BP-ANN建模训练中,希望都寻找到因子模型的局部最优解,使它具有较好的泛化能力。为了提高BP-ANN在业务预报中的建模和预测能力,将对BP-ANN进行改进试验。利用2009—2010年每年5月15日至9月15日的T639模式预测数据和北京地区4个站点的最高温度实况资料作为建模样本数据,对4个站点进行数值模拟试验。通过对4个模型样本的拟合建模试验发现:BP-ANN的随机初始权重场服从高斯分布,或者初始权重场进行多次初始化,或者采用动态的隐层神经元网络结构都能让BP-ANN对样本的拟合命中率有一定的提高。最后选择2011年5月15日至9月15日115天的资料作为预报测试数据,集成3种改进方法于一个BP-ANN中,和未改进前的BP-ANN进行比较,对比后发现优化后的BP-ANN训练出的模型预测得到的验证样本预测命中率要高于未优化的BP-ANN训练出的模型得到的验证样本预测命中率,优化后的BP-ANN具有更好的泛化能力。