[发明专利]一种基于径向基神经网络的温度插值方法

说明书

技术领域

本发明涉及一种基于径向基神经网络的温度插值方法，属于天气预测和预警技术领域。

背景技术

所谓插值算法，是指按一定准则加以自动分析、综合，利用已有数据，得到更多区域的数据，弥补数据源的不足。地面温度数据主要来源于自动气象站提供的实时信息，由于受气象站数目有限、空间环境、通信质量等诸多因素的影响，实时温度数据中常有缺失数据，如果不及时处理，会降低温度数据集的连续性，影响温度数据的实时可用性。目前，插值方法有邻近数据关联、多元回归法、空间插值等，这些方法实现了数据的插值，同时也存在着不足。邻近数据替补法不能保证数据的实时有效性，多元回归算法针对数据连续缺测情况不能达到良好的效果，空间插补法需要参考定时定区域各温度数据，计算复杂，数据量大，在单个站点的实时数据处理中不能取得很好的实用性。针对以上问题，有学者提出基于K-means聚类的径向基函数神经网络RBFNN(Radial Basis Function Neural Network)插值算法。

该插值算法能保证数据的实时有效性，并且可以处理大量数据。但是，K-means聚类算法初始聚类中心影响聚类结果，从而很难达到最佳聚类效果，而且该算法根据经验确定隐含层神经元个数，从而使结果具有主观性。以上两问题均影响训练效果和插值精度。

RBFNN是以函数逼近理论为基础而构造的一种3层前向型神经网络，该网络包含一个输入层、一个具有径向基神经元的隐含层和一个具有线性神经元的输出层。第一层是由输入节点组成，输入节点的个数等于输入向量的维数，第二层是隐含层，由直接与输入节点相连的基函数组成，第三层是输出层，该层是由线性单元组成，线性单元与所有隐含节点相连。RBFNN最终的输出是各隐含层节点输出的线性加权和。隐含层是非线性的，采用径向基函数作为基函数，将输入向量空间转换到隐含层空间，使低维线性不可分的问题变得高维线性可分，输出层则是线性的。RBFNN需要求解的参数有3个：隐含层中基函数的中心、隐含层中基函数的扩展常数及隐含层与输出层间的权值。隐含层中基函数的中心和隐含层与输出层间的权值是RBFNN设计的重点。根据径向基函数中心确定方法的不同，RBFNN有不同的学习策略。最常见的有4种：随机选取固定中心、自组织选取中心、有监督选取中心、正交最小二乘法。目前，最常用的是自组织选取中心法，该方法包括下面两个阶段：

(1)自组织学习阶段，估计出径向基函数的中心和扩展常数；

(2)有监督学习阶段，学习隐含层到输出层的权值。

自组织学习阶段，采用聚类的方法找出合理的中心位置，最常见的聚类方法是K-means聚类算法，扩展常数由聚类结果求得。有监督学习阶段，采用正交最小二乘法学习权值。

K-means聚类算法存在以下不足：

(1)根据经验确定隐含层神经元个数，无法确保隐含层神经元个数选取的有效性；

(2)初始聚类中心c_i(1≤i≤K)随机选取，不同的初始聚类中心得到不同的聚类结果，即聚类结果的随机性比较强；

(3)K-means聚类算法虽然能够完成最终的聚类，但是易陷入局部最优解的困境，不能保证该聚类中心是全局最优解，因此影响网络的插值结果和插值精度。

发明内容

为克服现有技术的缺陷，本发明提供一种基于径向基神经网络的温度插值方法，在RBFNN的基础上，采用优化的K-means聚类算法代替传统的K-means聚类算法，提高了温度插值精度。

为解决上述技术问题，本发明采用的技术方案如下：

一种基于径向基神经网络的温度插值方法，包括以下步骤：

1)输入原始的气象温度样本数据X，并进行归一化，得到归一化的气象温度数据X_Train，作为聚类样本输入数据，

其中，max(|X_j|)表示第j列原始的气象温度样本数据要素X_j的最大值，x_ij是第i组原始的气象温度样本数据的第j列数据要素值，为归一化处理后的第i组气象温度数据的第j列数据要素值，表示第i列归一化处理后的气象温度数据，N表示归一化处理后的气象温度数据列数；

2)计算第p次聚类的气象温度样本输入数据X_Train中各列气象温度数据之间两两欧式距离，得到第p次聚类的气象温度样本输入数据的距离矩阵DIST_p：