基于自适应仿射传播聚类算法的多模型建模方法

考虑到工业生产数据具有按工作点聚类和迁移的特点,提出了一种基于自适应仿射传播聚类(adAP)的多最小二乘支持向量机(LSSVM)算法进行软测量建模。该方法用adAP算法对训练样本进行分类以找到最优的聚类结果,采用LSSVM算法对各类样本分别建立子模型,并根据当前工作点所属子类的模型进行预测输出。将该方法用于聚丙烯熔融指数的软测量建模,结果表明,与其他方法相比该方法具有更高的回归精度和良好的泛化能力。     

统计降尺度方法对青海湖地区气温变化的适用性分析及未来情景预估

运用SDSM统计降尺度方法对青海湖地区气象观测站实测日数据(1961-1990年)进行统计降尺度研究,应用独立的观测资料(1991-2000年)验证发现该方法在高海拔地区气温变化研究方面具有一定的适用性,所有观测站的日均误差均在1℃左右。对未来两种排放情景预估发现,未来气温变化表现出一致的升温趋势,且随着时间的推移升温趋势逐渐增加。从A、B两种气候情景的预估结果来看,21世纪中叶B情景下的增幅略大于A情景,不同月和季表现不同;到21世纪末A情景的下的月、季增幅均大于B情景。夏季增温最明显,秋季或冬季的增幅最小。21世纪中叶,平均增幅为1.87℃左右,到本世纪末,平均增幅达到3.69℃左右。这个结果与前人的研究预测基本一致。     

自适应BP神经网络在日最高气温预报中的应用

气象数据规模飞速增长,BP神经网络由于其强大的非线性系统拟合能力,在气象数据尤其是气温相关数据的分析和预测中得到广泛应用。考虑到气温数据的海量规模,采用传统BP神经网络的预报面临误差收敛速度慢、容易陷入局部极小等问题,从而严重影响预测的效率和精准度。本文以BP算法为基础提出了一种改进的学习率自适应算法建立BP网络预报模型,并针对气象数据的多维性和周期性提出了优化方案。实验结果表明该方法可以高效的完成最高气温的预测,并且相对传统算法拥有更高的预报精度。