[發明專利]一種基于徑向基神經網絡的溫度插值方法

有效

• 申請號: 201610163877.1
• 申請日: 2016-03-22
• 公開（公告）號: CN105844334B
• 公開（公告）日: 2018-03-27
• 發明（設計）人: 杜景林;沈曉燕;劉雅云;嚴蔚嵐
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06K9/62
• 代理公司: 南京縱橫知識產權代理有限公司32224
• 代理人: 董建林

技術領域

本發明涉及一種基于徑向基神經網絡的溫度插值方法，屬于天氣預測和預警技術領域。

背景技術

所謂插值算法，是指按一定準則加以自動分析、綜合，利用已有數據，得到更多區域的數據，彌補數據源的不足。地面溫度數據主要來源于自動氣象站提供的實時信息，由于受氣象站數目有限、空間環境、通信質量等諸多因素的影響，實時溫度數據中常有缺失數據，如果不及時處理，會降低溫度數據集的連續性，影響溫度數據的實時可用性。目前，插值方法有鄰近數據關聯、多元回歸法、空間插值等，這些方法實現了數據的插值，同時也存在著不足。鄰近數據替補法不能保證數據的實時有效性，多元回歸算法針對數據連續缺測情況不能達到良好的效果，空間插補法需要參考定時定區域各溫度數據，計算復雜，數據量大，在單個站點的實時數據處理中不能取得很好的實用性。針對以上問題，有學者提出基于K-means聚類的徑向基函數神經網絡RBFNN(Radial Basis Function Neural Network)插值算法。

該插值算法能保證數據的實時有效性，并且可以處理大量數據。但是，K-means聚類算法初始聚類中心影響聚類結果，從而很難達到最佳聚類效果，而且該算法根據經驗確定隱含層神經元個數，從而使結果具有主觀性。以上兩問題均影響訓練效果和插值精度。

RBFNN是以函數逼近理論為基礎而構造的一種3層前向型神經網絡，該網絡包含一個輸入層、一個具有徑向基神經元的隱含層和一個具有線性神經元的輸出層。第一層是由輸入節點組成，輸入節點的個數等于輸入向量的維數，第二層是隱含層，由直接與輸入節點相連的基函數組成，第三層是輸出層，該層是由線性單元組成，線性單元與所有隱含節點相連。RBFNN最終的輸出是各隱含層節點輸出的線性加權和。隱含層是非線性的，采用徑向基函數作為基函數，將輸入向量空間轉換到隱含層空間，使低維線性不可分的問題變得高維線性可分，輸出層則是線性的。RBFNN需要求解的參數有3個：隱含層中基函數的中心、隱含層中基函數的擴展常數及隱含層與輸出層間的權值。隱含層中基函數的中心和隱含層與輸出層間的權值是RBFNN設計的重點。根據徑向基函數中心確定方法的不同，RBFNN有不同的學習策略。最常見的有4種：隨機選取固定中心、自組織選取中心、有監督選取中心、正交最小二乘法。目前，最常用的是自組織選取中心法，該方法包括下面兩個階段：

(1)自組織學習階段，估計出徑向基函數的中心和擴展常數；

(2)有監督學習階段，學習隱含層到輸出層的權值。

自組織學習階段，采用聚類的方法找出合理的中心位置，最常見的聚類方法是K-means聚類算法，擴展常數由聚類結果求得。有監督學習階段，采用正交最小二乘法學習權值。

K-means聚類算法存在以下不足：

(1)根據經驗確定隱含層神經元個數，無法確保隱含層神經元個數選取的有效性；

(2)初始聚類中心c_i(1≤i≤K)隨機選取，不同的初始聚類中心得到不同的聚類結果，即聚類結果的隨機性比較強；

(3)K-means聚類算法雖然能夠完成最終的聚類，但是易陷入局部最優解的困境，不能保證該聚類中心是全局最優解，因此影響網絡的插值結果和插值精度。

發明內容

為克服現有技術的缺陷，本發明提供一種基于徑向基神經網絡的溫度插值方法，在RBFNN的基礎上，采用優化的K-means聚類算法代替傳統的K-means聚類算法，提高了溫度插值精度。

為解決上述技術問題，本發明采用的技術方案如下：

一種基于徑向基神經網絡的溫度插值方法，包括以下步驟：

1)輸入原始的氣象溫度樣本數據X，并進行歸一化，得到歸一化的氣象溫度數據X_Train，作為聚類樣本輸入數據，

其中，max(|X_j|)表示第j列原始的氣象溫度樣本數據要素X_j的最大值，x_ij是第i組原始的氣象溫度樣本數據的第j列數據要素值，為歸一化處理后的第i組氣象溫度數據的第j列數據要素值，表示第i列歸一化處理后的氣象溫度數據，N表示歸一化處理后的氣象溫度數據列數；

2)計算第p次聚類的氣象溫度樣本輸入數據X_Train中各列氣象溫度數據之間兩兩歐式距離，得到第p次聚類的氣象溫度樣本輸入數據的距離矩陣DIST_p：