下载文档原格式
基于神经网络的天气预测技术研究随着科技的进步和发展，气象预测已经成为人们日常生活的必要内容，天气预报的精准度对于人们的生活、农业、商业等各方面都起着至关重要的作用。
然而，天气预测依赖于众多气象要素的变化，这些要素相互交织、相互影响，因而导致预测难度大，精度低。
本文将重点介绍基于神经网络的天气预测技术，它的精准度相对于传统气象预测更高，预测时间范围更广，应用前景更加广阔。
一、神经网络的基本原理及其在气象预测方面的应用神经网络是一种数学模型，它通过对各种输入样本数据的学习，建立起输入与输出之间的非线性映射关系。
神经网络的基本结构由若干个节点组成，节点可以是输入也可以是输出，节点之间的连接相当于直线或曲线，通过连接的权值、偏置值和激活函数等参数不断地调整，从而实现对输入的预测和输出的关联。
在气象预测方面，神经网络可以完成各种气象要素的预测。
例如，输入历史气象数据，通过训练神经网络，我们可以预测未来各种气象要素的变化趋势，这些气象要素包括气温、湿度、风速、降水等，可以为人们提供更加精准的气象预报信息。
二、神经网络在气象预测中的优势与传统气象预测方法相比，基于神经网络的气象预测具有以下几方面的优势：1. 精准度高传统气象预测方法往往是基于经验经过长期积累而得出的，预测精准度有限。
而神经网络的预测能力更强，它能够自动学习气象数据的各种变化趋势和规律，从而提高预测的准确性。
2. 预测时间范围更广传统气象预测方法往往只能预测短期天气变化，而基于神经网络的气象预测可以预测较长时间范围内的天气变化，对于国家和地方气象预警等方面的需求有较为明显的作用。
3. 适应性强神经网络具有较强的适应性，它可以适应各种气象数据的复杂性和变化性，并能够快速更新预测结果。
这些优势使得神经网络在气象预测中有着广泛的应用前景。
三、神经网络在气象预测中的应用实例近年来，我国气象预测工作重点加强，各子系统段有了更好的发展。
一些领先的大气科学技术，如气候模式研究和应用、大气环流数值模式预测研究和应用、天气雷达研究和应用、观测数据自动质量控制与表格化等，进一步提升了气象预测的精度和效率，进而保障了国家各方面的经济社会活动。
基于神经网络的短期天气预测方法神经网络在各个领域都取得了显著的成就，天气预测也不例外。
基于神经网络的短期天气预测方法已经成为当前研究的热点之一。
通过利用神经网络的强大模式识别和非线性映射能力，可以更准确地预测未来几天的天气情况。
本文将对基于神经网络的短期天气预测方法进行深入研究和分析。
在传统的天气预测方法中，常常使用统计学模型和物理模型来进行预测。
然而，这些方法对于复杂、非线性的天气系统往往表现不佳。
而神经网络作为一种强大的非线性建模工具，可以更好地捕捉到复杂系统中存在的潜在规律。
首先，我们需要收集大量准确、全面、实时的观测数据作为输入。
这些观测数据包括温度、湿度、风速等多个指标。
同时还需要收集历史数据作为训练集来建立模型。
接下来，在数据预处理阶段，我们需要对原始数据进行处理和筛选。
这包括去除异常值、填补缺失值以及标准化处理等。
这样可以提高模型的稳定性和预测的准确性。
然后，我们需要选择适当的神经网络结构。
常用的神经网络结构包括前馈神经网络、循环神经网络和卷积神经网络等。
不同的结构适用于不同类型的问题。
在天气预测中，循环神经网络常常被用于处理时间序列数据。
在模型训练阶段，我们需要将数据集分为训练集、验证集和测试集。
训练集用于模型参数的优化，验证集用于选择最佳模型，并进行超参数调优，测试集则用于评估最终模型的性能。
为了提高预测准确度，我们可以采用一些优化技术。
例如，引入正则化方法来防止过拟合问题；采用交叉验证方法来评估模型性能；使用自适应学习率来加快收敛速度等。
在进行预测时，我们需要将实时观测数据输入到训练好的模型中，并通过前向传播得到预测结果。
同时还可以通过后向传播对模型进行调整和优化。
然而，在实际应用中还存在一些挑战和限制。
天气系统本身就是一个高度复杂、非线性且时空相关的系统，因此预测的准确性受到许多因素的影响，如观测数据的质量、模型结构的选择、训练数据的数量和质量等。
此外，天气系统具有一定的不确定性，因此预测结果往往会存在一定误差。
利用神经网络的气象预测模型研究气象预测是近年来越来越重要的一项工作，由于气象系统的复杂性，很难用传统的数学模型精确预测天气。
因此，研究如何利用现代计算机技术来解决难以预测的天气变化已经成为一个热点话题。
神经网络是一种广泛应用于现代计算机技术的人工智能技术。
利用神经网络的气象预测模型可以精确地预测气象变化，并且准确率超过传统的统计学模型。
下面将简要介绍利用神经网络的气象预测模型研究。
一、神经网络的气象预测模型神经网络是一种可以从数据中学习模式并进行预测的计算机系统。
它通过模拟人类大脑中的神经元来处理信息，并可以识别出数据中隐藏的规律。
在气象预测中，神经网络可以有效地捕捉数据中的关键特征并精确地预测气象变化。
神经网络气象预测模型主要由输入层、隐藏层和输出层组成。
输入层接收与气象相关的数据，如温度、湿度、风速、气压等，输入到神经网络中；隐藏层对输入数据进行模式识别和学习；输出层将隐藏层中的结果转化为可读性更强的结果，比如明天的气象情况和温度等等。
整个模型的预测准确性取决于网络中的参数设置和数据的质量。
二、神经网络气象预测模型的优势神经网络是一种在气象预测中非常理想的技术。
与传统的数学模型相比，神经网络气象预测模型有以下几个方面的优势：1. 处理非线性关系：气象变化通常具有不确定性和非线性特点。
神经网络气象预测模型能够有效地捕捉非线性关系，适应多变的气象变化。
2. 建模精度高：神经网络气象预测模型是一种高精度的模型，能够准确地捕捉气象数据中的规律。
通过多次训练和调整参数，可以提高气象预测的准确性。
3. 数据处理能力强：神经网络能够有效地处理大规模的气象数据，而且学习能力强，具有自适应性。
在处理气象数据时，神经网络具有一定的容错能力，这是传统数学模型所不能比拟的优势。
4. 系统稳定性高：神经网络气象预测模型具有很高的稳定性，即使在变化剧烈的环境中也能够保持较高的准确率。
三、神经网络气象预测模型的应用范围神经网络气象预测模型已经广泛应用于气象预测、城市规划、交通规划等领域。
基于神经网络的气象数据处理与预测研究气象数据的处理与预测一直是气象学领域中的重要课题之一。
而基于神经网络的气象数据处理与预测是一种比较有效的方法。
本文将对基于神经网络的气象数据处理与预测进行研究与分析。
首先，我们需要了解神经网络的基本原理。
神经网络是一种模拟人类神经系统工作方式的计算模型，具有自学习和适应能力。
它由多个神经元（或称为节点）组成，这些神经元通过连接权重相互连接，并通过激活函数进行信息传递和处理。
在气象数据处理与预测中，神经网络可以用于建立数据模型，从而预测未来的气象变化或分析现有气象数据。
首先，我们需要收集大量的气象数据，例如温度、湿度、风速、气压等等。
随后，我们将这些数据作为输入，通过合适的数据预处理技术（例如归一化、标准化等）将其转换为神经网络所能接受的格式。
接下来，我们需要选择适当的神经网络架构。
常用的神经网络架构包括前馈神经网络（Feedforward Neural Network）和循环神经网络（Recurrent Neural Network）等。
前馈神经网络适用于需要进行单向传播的问题，而循环神经网络则适用于需要考虑时间序列关系的问题。
然后，我们需要将数据划分为训练集和测试集。
训练集用于训练神经网络模型，而测试集用于评估模型的性能。
在训练过程中，我们需要选择合适的损失函数和优化算法，用于评估模型的误差并更新模型的参数。
常用的损失函数包括均方误差（Mean Squared Error）和交叉熵（Cross Entropy），常用的优化算法包括梯度下降法（Gradient Descent）和Adam算法等。
在模型训练完成后，我们可以使用该模型进行气象数据的预测和分析。
通过输入新的气象数据，模型可以输出对应的气象变量。
这样，我们就可以利用神经网络模型预测未来的气象变化，辅助气象预报工作。
同时，我们还可以通过分析模型的输出结果和误差，评估模型的性能并进行调优。
当然，在进行基于神经网络的气象数据处理与预测时，还有一些需要考虑的因素。
基于神经网络的气候变化模拟与预测气候变化是当今全球关注的焦点之一，对于了解气候变化的规律以及做出准确的气候预测具有重要意义。
神经网络作为一种有效的模式识别和预测方法，在气候变化模拟和预测领域也显示出了其巨大的潜力。
本文将介绍基于神经网络的气候变化模拟与预测的相关研究现状，并探讨其在未来的应用前景。
首先，我们需要了解神经网络的基本原理。
神经网络是一种模拟神经系统结构和功能的计算模型，其主要由神经元和连接权重组成。
通过输入训练样本和调整连接权重，神经网络可以学习和拟合数据的非线性关系，从而实现模式识别和预测等任务。
在气候变化模拟方面，神经网络可以通过输入历史气象数据和其他环境因素，学习并模拟气候系统的复杂动态过程。
通过训练神经网络模型，我们可以预测特定地点的温度变化、降水情况以及其他气候指标的变化趋势。
这对于农业、城市规划以及自然灾害预防等方面都具有重要意义。
目前，许多研究已经使用神经网络成功地模拟了不同地区的气候变化，并取得了一定的预测准确度。
与气候变化模拟相比，气候预测是一个更加具有挑战性的任务。
气候系统的复杂性和不确定性使得气候预测变得异常困难。
然而，神经网络的非线性拟合能力使其成为解决这一问题的潜在选择。
通过输入历史气候数据和其他相关因素，神经网络可以学习气候系统的非线性关系，并进行长期气候预测。
研究表明，在某些情况下，神经网络能够提供可靠的气候预测结果。
除了气候模拟和预测外，基于神经网络的气候变化研究还包括气候变化驱动因素的识别和分析。
通过输入气象数据和其他环境因素，神经网络可以学习并提取出不同因素对气候变化的影响程度。
这可以帮助我们更好地理解气候系统的复杂性，并为制定应对气候变化的政策和措施提供科学依据。
尽管基于神经网络的气候变化模拟和预测具有巨大的潜力，但仍然存在一些挑战和难题需要解决。
首先，数据的质量和可靠性是影响神经网络模型性能的重要因素。
目前，气象观测数据的采集和处理仍然存在一些不确定性和误差，这对于模型的训练和预测结果都可能产生一定的影响。
基于神经网络的气象预测模型研究随着气象科技的不断发展，气象预测的精度和准确度得到了很大的提高。
而在气象预测中，神经网络作为一种新兴的预测方法，正逐渐得到广泛的应用。
本文将讨论基于神经网络的气象预测模型的研究。
1. 神经网络基础知识神经网络是一种模拟人类大脑神经元的计算模型，它基于多层节点之间的连接，通过学习和训练提高预测的精度。
神经网络的每个节点都有一个权重和一个偏移量，输入数据传递到每个节点时，会被加上权重和偏移量后，通过激活函数进行非线性映射，然后输出到下一层节点。
通过不断训练和调整权重和偏移量，神经网络可以逐渐学习复杂的特征，并预测未来的趋势。
2. 神经网络在气象预测中的应用由于气象预测的复杂性和不确定性，传统的气象预测方法往往难以达到较高的预测精度，而神经网络则可以通过不断的学习和训练，提升预测的精度。
二氧化碳浓度是影响气候的重要因素之一，气象预测中往往需要预测未来的二氧化碳浓度。
研究者可以通过建立基于神经网络的二氧化碳浓度预测模型，对未来的二氧化碳浓度进行预测。
同时，太阳辐射对气候的影响也非常明显。
为了预测未来的气候变化，研究者也可以基于神经网络构建太阳辐射预测模型。
3. 神经网络气象预测模型的构建在构建基于神经网络的气象预测模型时，需要进行以下步骤：（1）数据收集：收集气象数据，包括气温、湿度、气压、风速、降水量等多个气象因素，同时收集历史二氧化碳浓度数据和太阳辐射数据。
（2）数据预处理：对收集到的数据进行清洗、归一化等预处理操作，使数据满足神经网络的输入格式要求。
（3）模型训练：将预处理后的数据集分为训练集和测试集，使用训练集对神经网络进行训练，然后对测试集进行预测。
（4）模型调优：根据预测结果对模型进行调优，调整模型的结构、配置等参数，提高模型的预测精度。
4. 神经网络气象预测模型的优点和不足相对于传统的气象预测方法，基于神经网络的气象预测模型有以下优点：（1）具有较强的泛化能力，可以很好地处理非线性、非平稳的时间序列数据。
基于神经网络的天气预报算法研究随着科技的日新月异，天气预报也越来越准确。
从最初的仅仅能预报一两天的天气情况，到现在的能够预报数周的天气情况，这些进步离不开机器学习和神经网络算法的应用。
本文将探讨基于神经网络的天气预报算法研究。
一、神经网络在天气预报中的应用天气预报模型通常采用物理模型和数据模型两种方法。
物理模型通常是基于气象学规律和方程式，利用计算机模拟实现的，它效果较为准确。
但是，许多天气预报机构还需要收集大量真实观测站的数据，以帮助他们进一步完善他们的预报模型，以提高准确率。
这就需要数据模型的方法。
在数据模型的方法中，神经网络是一种广泛使用的方法。
神经网络是一组互相连接的神经元，在模型学习的过程中通过适应真实数据来调整连接参数，以提高模型的准确性。
所以，在基于神经网络的天气预报模型中，预报数据会被输入到神经网络中的输入层中，该层将数据传递给第一层隐含层，然后在网络中进行传递和处理，直到输出层中得出预报的结果。
通过不断地观测和调整，神经网络可以在不断适应新数据的同时提高其准确性。
二、基于神经网络的天气预报的数据输入在基于神经网络的天气预报操作中，输入数据是十分重要的。
通常来说，输入数据大致可分为两类：一类是气象学数据，包括气温、风向、风速等；另一类是地理信息数据，包括纬度、经度、海拔等。
除此之外，基于神经网络的天气预报模型在数据处理上还有许多技巧，例如将训练数据合理地分解和组合、对数据进行归一化处理、在训练网络时采用批处理等。
这些技巧都可以帮助模型学习数据并提高其准确性。
三、神经网络模型的训练神经网络模型的训练是相当重要的步骤。
它需要不断调整和改变模型参数来增加模型的准确性。
具体来说，神经网络模型的训练通常包括2个步骤：1. 前向传播：首次传递一组训练数据，并将数据经过神经网络的输入层，隐含层，并计算激励函数，最终完成预测任务。
2. 反向传播：将预测结果与真实数据进行比较，以计算误差。
然后，基于误差计算，调整神经网络模型的参数，以减小误差。
基于径向基函数神经网络的大气颗粒物污染预测近些年来，全球气候变化和环境污染问题备受关注。
其中，大气颗粒物的总量是一个极其重要的参考指标。
对于城市空气质量问题的解决，大气颗粒物的预测是必不可少的一环。
而基于径向基函数神经网络的大气颗粒物污染预测，已经在国内外取得了很好的效果。
一、径向基函数神经网络径向基函数神经网络(RBFNN)是一种基于最小二乘法的神经网络模型。
它具有快速收敛、全局最优解和占用内存低的优点。
RBFNN适用于多输入和输出的非线性问题，并且对于数据噪声的影响具有较好的容忍度。
二、大气颗粒物的形成和影响大气颗粒物是指直径小于10微米的固体和液体颗粒物，这些细小的颗粒物来源广泛，主要包括工业生产、交通运输、家庭燃烧等。
它们能够通过悬浮在空气中的方式，进入人们的呼吸系统，对健康产生严重的影响。
大气颗粒物的形成与复杂的物理和化学过程有关。
一些蒸汽和气体混合在一起，形成了气态化合物。
它们被暴露在光线、臭氧和其他气体的影响下，发生化学变化，产生二次污染物。
超过10微米的颗粒物通常不会到达我们的肺部，因为它们太大而无法通过我们的呼吸系统。
而细小的颗粒物可以进入到我们的肺部，对呼吸系统造成影响。
三、基于RBFNN的大气颗粒物预测基于RBFNN的大气颗粒物预测是一种有效的方法，它可以预测数量和类型不同的气象因素与大气颗粒物的浓度之间的关系。
利用现代计算机科学和大数据技术，我们可以更好地控制大气颗粒物和污染物的发生。
以下是一些具体的案例：1. 韩国的研究人员使用RBFNN模型对大气颗粒物进行了预测，并通过实验证明了该模型的有效性。
2. 在我国的研究中，RBFNN模型被用来预测分析长沙市大气颗粒物的变化规律。
结果表明，模型的预测能力和预测精度都很高。
3. 印度科学家使用RBFNN模型对特定地区的大气颗粒物进行了预测。
他们经过多次的模型实验和分析，得出了非常好的预测结果，该研究对于该特定地区的环境污染治理起到了重要的帮助作用。
龙源期刊网
基于数值天气预报的RBF神经网络风电功率短期预测
作者：张永艳李强
来源：《时代报告》2012年第11期
中图分类号：TM74 文献标识码：A
摘要：准确的预测风力发电机组的输出功率对电力系统稳定、电力系统调度和风电场运行都具有重要意义。
从数学模型及风机实际获得的数据出发，分析出风速、风向、空气密度、大气压强对风力发电机组输出功率的影响。
设计了基于数值天气预报（NWP）的径向基函数（RBF）神经网络风电功率短期预测模型。
应用该模型进行了24h后的风电输出功率预测，预测误差在11%附近，表明该方法预测精度较高。
神经网络算法在气象预测中的应用研究近年来，神经网络在计算机科学领域得到了广泛的应用。
随着数据和计算能力的不断提高，神经网络算法也逐渐被用于气象预测中，并取得了可观的成果。
本文将详细探讨神经网络算法在气象预测中的应用研究。
一、神经网络算法简介神经网络是由许多个相互作用的神经元所组成的，每个神经元接受输入信号，然后进行处理并将输出信号传递给下一个神经元。
神经网络的训练过程主要是通过改变神经元之间的连接权值来实现的。
常见的神经网络算法包括前向神经网络、反向传播神经网络、Kohonen自组织神经网络等。
二、神经网络算法在气象预测中的应用1. 基于神经网络的气象预测模型利用神经网络算法，可以构建出高精度的气象预测模型。
以气温预测为例，我们可以将一些影响气温变化的因素（如经度、纬度、时间、风速、湿度等）作为神经网络的输入层，将气温的变化作为输出层，并通过适当的训练方法来确定各层之间的权值。
由此构建出的气温预测模型，具有精度较高、时效性好等优点。
2. 神经网络算法在气象数据挖掘中的应用随着气象数据的不断积累，大量的气象数据处理问题也逐渐浮现。
神经网络算法可以应用于气象数据挖掘中，帮助人们发现气象数据中的规律性、异常现象等。
例如，利用神经网络算法可以对不同季节、不同地区的降雨量进行预测和分析，判断气候变化趋势等。
3. 集成神经网络算法的气象预警系统为了提高气象预警的准确性和及时性，近年来也出现了一些集成神经网络算法的气象预警系统。
这些系统通过利用已有的气象数据、实时监测数据等，来构建出气象预警模型，并通过网络传输、短信等方式，向有关部门和居民群众发出预警信息，提高气象预警的可靠性和有效性。
三、存在的问题和展望尽管神经网络算法已经在气象预测中取得了一定的成果，但是也面临一些问题。
首先，气象预测中所用到的数据种类较为复杂，对于神经网络算法的训练和优化也提出了一定的挑战。
其次，气象预测的准确性和时效性对算法的精确性和速度等要求较高，因此需要针对实际需求，灵活采取不同的算法。
第35卷第1期2018年 2月贵州大学学报（自然科学版） J o u r n a l o f G u iz h o u U n iv e r s ity ! N a t u r a l S c ie n c e s )Vol .35 N o .1Feb .2018文早编号1000-5269 ( 2018 # 01 -0069-04DOI ： 10.15958/j .cn k i .g d x b z r l 〇.2018.01.13基于径向基神经网络的天气预测模型张育贵\王义2!，杨人静1(1.贵州大学大数据与信息工程学院，贵州贵阳550025,2.贵州师范大学物理与电子科学学院，贵州贵阳550001)摘要：针对天气数据高度非线性化的特点，以贵阳市近一年的天气数据为基础，结合神经网络 在非线性系统建模与优化求解的优势，提出了 一种基于後向基函数（RBF )神经网络的预测模型。
该模型分别采用以2天、3天直至9天天气数据为一周期对未来1天天气做出预测的训练样本， 最后以贵阳市2017年1月的天气作为测试样本，并将所预测的数据与真实天气数据对比。
仿真 结果表明，RBF 神经网络比现有的预测方法如B P 神经网络的预测结果具有更高的可行性和有 效性。
关键词：彳圣向基函数；天气;神经网络;预测 中图分类号:TP 183文献标识码：A天气是我们每个人每天都要关注的内容，它几 乎决定了我们所有的 行的问题，因测对我们 尤为重要，报的主要功能是预测一未来一段时期内的 、风向和力及最高最低气温等 [14]。
着生产力的发展和科技的进步，人类动的日大，对 自然的影 重要。
， 报已成为现代社会不 的重要信息[3]。
目，常用的预测方法主要有1) 测方法;2)工神经网络方法;3)马科 方法;4) 理论方法等[—5]。
的方，测性特性的问题，人工神经网络具有其他方的优势。
本文采用的径向基函数网络RBF 具有很强的性拟合能力，可映射任何 的线性 ，且学习规 单， 计算机实现，具有很强的鲁棒性、能力，以及强大的自学习能力，因此，向基函数具有广阔的应用前景[M]。
1R B F 神经网络RBF ( Radial Basis Function )神经网络是 一■种向型神经网络，其包含一个具有径向基函数神经网络的和一个具有线性神经元的。
单元的数目取决于问题的需要，隐单元的变换函数是RBF 径向基函数，它是一个对中心点径向且 衰减的非负 性函数；第是 ，它人模式的不 用不应。
从人空间到 空间的变换是 性的，从隐层空间到输出空间的变换是线性的[9]。
RBF 神经网络如1。
输入层隐层输出层径向基函数神经元的传递函数虽然形式多种 多样，但最常见的形式还是高斯函数（，)5$)。
其 网络输人为权值向量1与输人向量7之间的向量 距离乘以阈值5，即）= ra )5a * )%(1，7) ! 5)。
径 向基传递函数用如下形式 $rad 5a s (n )= e "( 1)径向基神经元模型的图形如图2所示。
收稿日期= 2017-08-19基金项目：国家自然科学基金（61462015);贵州省国际科技合作计划项目（黔科合外G 字[2014] 7007号） 作者简介：张育贵（1993-),男，在读硕士，研究方向：自适应控制、人工神经网络,E m a il $ 1084439493@q q .cm . !通讯作者：王义，E m a il :w y ig z @126.c o m.-70 -贵州大学学报（自然科学版)第35卷输入径向基神经元a=radbas(||w-/>||b)图2径向基神经元模型2天气预测模型的建立2.1天气预测原理的看 常，但其 规律在长时期的 会表现出一定的规律，某某日的与当地的气温、气压、等 有关[10(，的具有 性的特点。
UBF神经网络 性连续函数具有一致逼近性，学 度快，进行大 的数据融合以及并行理数据。
UBF神经网络的优异特性使其比B P神 经网络更具生命力，在 的领域取代了B P神经网络[11—13]。
利用所收集的历 数据，将其 为对应的数 ，把数个数 形成一组数据作为神经网络的输人，每组数据都对应一 数据为神经网络的 。
历 数据形成一测，测的 与实际的误差最小。
基 RBF神经网络的 测 的具体预测流程如下图3 。
2.2天气数据的收集，一天中就可能出现多种天 气状况，比如某 为天晴，下 为阵雨，又如某 为小 ，下 为大 ，为收数据带来了一定的麻烦。
为了方便，现约准如下表1。
表1天气状态标准表编简称具体0晴晴、晴转多云、晴转小雨等1阴阴、多云、多云转晴、多云转小雨等2雨小（）、大（）、阵等收集的历史数据来源于2345天气预报网站，记录了贵 从2016年1月至2016年12月366天，2012年至2017年六年间的1月共186天 的，具体情况如下表2、 3 $表22016年1月至2016年12月天气状况表月2016.01 1212122222222212112222211121122 2016.02 22121100100022111121122121001 2016.03 1211111221111111212122221112222 2016.04 122112122112121121111222211122 2016.05 1 1 1 2 1 1 1 2 2 1 1 0 2 2 1 1 1 2 2 1 1 1 2 1 2 2 2 2 2 1 1 2016.06 1 2 2 1 1 1 2 1 2 2 2 2 1 2 2 1 1 2 1 2 2 1 1 1 2 1 1 2 2 2 2016.07 2 1 2 2 2 2 1 1 1 1 1 1 1 2 2 2 2 1 2 1 1 1 1 1 1 1 1 1 1 1 1 2016.08 1 2 2 2 2 2 2 1 2 2 2 2 2 2 2 1 1 2 2 1 1 2 1 1 1 2 1 1 1 2 2 2016.09 111112222111112111111111111111 2016.10 1 0 0 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 2 2 1 2 2016.11 2 1 1 1 1 1 1 1 1 1 0 1 1 2 2 1 1 1 1 1 1 2 1 1 2 1 1 0 2 1 2016.12 0 1 2 1 1 1 1 1 0 1 1 2 1 2 1 1 1 1 2 2 2 1 1 1 2 2 1 1 1 0 13(2012 2017 1况月份_________________天气状况________________ 2012.011222212222212221222222111112211 2013.011122111222211122112211211111111 2014.011111221222210111122100111111222 2015.011111122212221111101100011211101 2016.011212122222222212112222211121122图* RBF神经网络预测流程2017.01 1111111112211112211211111111222第1期张育贵等:基于径向基神经网络的天气预测模型-71 -对于表2中2016年一整年的天气数据、表3 中2012年至2016年五年间的1月数据分别为 样本，表3 的2017年1月的 数据为测试样本。
分别采用2016年一整年的 数据及2012年至2016年五年间的1月的 数据作为训练样本的两种方式对2017年1月的 做测，最与实数据对比。
2.3网络设计和训练应用函数可快速设计一个径向基函数网络，计误差为0,调用方式如下[14]: net二new rbe(P，T，sprea d)(2)其中，B为输人向量，W为期 向量（目标值），p r a d为径向基层的散布常数，默认值为1。
为一向基网络，其重和阈值完全输人和预期值之间的 。
但应用n w b\)数计网络时，径向基神经元的数目与输人向量的个数 是相等的，在人向量较多的下，则需要的神经元，网络设计带来一定的难度。
n w b\)则能有进行网络设计。
用径向基函数网络逼 数时，newrbe()函数可以自动增 数 神经元数目，直到均方差 精度或达到最大神经元数为止，其调用方式如下[15]:net=newrb (P，T，G O A L，spread)(3 )其中，P，T，p r a d变量意义同上，EJ4I为训练 精度。
3仿真研究，图4 了贵 从2016年1月至 2016年12月的天气情况，其中阴天占57.9235%，共计212天;雨天占37.43169%，共计137天；晴天4.64481%，共计17天。
一年贵阳的95.100%阴天 雨天 晴天图4贵阳2016年1月至2016年12月天气情况天气主要以阴天为主，其次是雨天，最后是晴天。
3.1预测结果通过收集到的贵阳市2016年1月至2016年 12月366 的数据，分别做了 2天为一组、3天为一组直至9天为一组 测下一 的训练样本，并分别得到一个预测。
最后把收集到 的2017年1月的 数据作为测试数据，通 .述的预测 到相应预测数据，再与测试数据对比，最终仿真结果如下图5 。
图5 2017年1月天气预测情况（一整年)同样，通过把收集的2012年至2016年五年间 的1月的 数据作为 样本，还是以2017年1月的 数据作为测试数据，也分别做了 2天为一组、3天为一组直至9天为一组 测未来一气的 样本，分别得到一测，与实际的最终仿真 如下 6。
3.2预测结果分通过以上收集的2016年1月至2016年12月共366天与2012年至2016年五年间的1月共155 的数据建立的基于径向基函数的神经网络测 到了相应的预测精度，再与B P神经网络的预测精度对比后的 测精度，图如下 7。
-72 -贵州大学学报（自然科学版)第35卷0 5 10 15 20 25 30 35时间：a 月/H )图6 2017年1月天气预测情况（近五年）图7 2017年1月天气预测精度对比图由仿真结果可知，以一整年天气数据为训练 样本的预测 的精度最高，平均测精度高达76. 61 %;其次是以近五年1月天气数据为训练样 本的预测，平均预测精度为76.21%;两都是基 向基神经网络的预测模型，且最高精度都出现在以2天为一组的预测 ，由此，某天的天气与其前两天的 最大。
最后B P 神经网络的平均预测精度仅为74.19%，且预测精度一 不变，并未体现之间的联系。
-9天/组-8天/组-7天/组-6天/组-5天/组-4天/组-2天/组4结束RBF 神经网络可以根据具体问题确定相应的网络拓扑 ，具有自学习、自组织和自适应的功能。
