[发明专利]一种基于径向基神经网络的温度插值方法

摘要

本发明公开了一种基于径向基神经网络的温度插值方法，首先对数据进行归一化处理，然后利用以“聚类中心距离”优化K‑means聚类算法中的“个体距离”的优化型K‑means聚类算法得到隐含层神经元个数、聚类中心和扩展常数，再用正交最小二乘法学习隐含层到输出层的权值，最终得到RBFNN插值算法。本发明通过基于优化K‑means聚类算法的径向基神经网络温度插值算法，对初始聚类中心的选取进行改进，优化聚类方式，提高聚类效率，改善数据插值精度，从而优化了基于K‑means聚类算法的径向基神经网络温度插值的插值精度和效率，提高了插值的准确性。

主权项

一种基于径向基神经网络的温度插值方法，其特征在于，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XTrain，作为聚类样本输入数据，xij‾=xijmax(|Xj|)---(1)]]>其中，max(|Xj|)表示第j列原始的气象温度样本数据要素Xj的最大值，xij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XTrain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DISTp：DISTp={||Xi‾-Xj‾||}i,j=1,2,...,N---(2)]]>其中，表示第i列气象温度聚类样本输入数据和第j列气象温度聚类样本输入数据之间的欧式距离；3)计算气象温度聚类样本输入数据的接受域半径distancep，计算公式如式(3)：distancep＝mean(DISTp)                                           (3)其中，mean函数用于计算距离矩阵DISTp中所有元素的平均值；4)根据距离矩阵DISTp，找出欧式距离最短的两个气象温度聚类样本输入数据向量作为本次聚类的初始聚类中心向量；5)按公式(4)计算第p次聚类Class_p的初始聚类中心向量Center_p，Center_p=(Xs‾,Xt‾)2---(4)]]>6)计算余向量{XTrain‑Class_p}中的向量与当前初始聚类中心向量Center_p之间的距离，提取所有距离中小于气象温度聚类样本输入数据的接受域半径相对应的余向量{XTrain‑Class_p}中的气象温度聚类样本输入数据向量，将提取得到的向量归为Class_p；所述余向量指的是经过之前的p‑1次聚类之后剩余的向量；7)计算余向量{XTrain‑Class_p}是否为空，若是空则聚类完成，进入下一步；否则，令p递增1，令计算的余向量作为新的气象温度聚类样本输入数据XTrain，重新返回步骤2)；8)得到聚类中心向量集Center如式(5)：Center＝[Center_1,Center_2,…,Center_p]                          (5)得到气象温度聚类样本数据的接受域半径集DISTANCE如式(6)：DISTANCE＝[distance1,distance2,…,distancep]                       (6)，9)采用正交最小二乘法学习权值，步骤如下：9‑1)确定隐含层节点个数K即步骤8)中，聚类中心向量集Center中的聚类中心个数，确定径向基函数的中心c；9‑2)分别计算输入的气象温度样本的径向基函数，得出由径向基函数组成的矩阵9‑3)正交化矩阵得到矩阵B,A，其中，A是一个K*K的上三角阵，主对角线元素为1，B是一个1*K矩阵，各列正交；9‑4)根据g＝B‑1Y，计算g；其中，Y为期望输出即测试输出气象温度：ωi为第i个隐含层节点到输出节点间的权值，y(n)为模型的期望输出即测试输出气象温度，e为误差，为第n个径向基函数，ri是输入的气象温度样本数据与第i个气象温度聚类中心之间的欧式距离；9‑5)根据Aω＝g求出权值ω。