论文写好了，要怎么修改，这可是件大事，看看下边的样式吧，别人的论文不一定是好的，但是还是可以参考一下的。

1 引言气象环境是人类社会生存发展的基石。但由于经济发展对资源的过度使用, 产生资源的相对不足, 气象环境的严重破坏, 导致当前气象环境状态极为脆弱。人工神经网络是对生物神经网络的模拟, 通过模拟生物神经网络的学习、训练功能对复杂问题进行处理。它具有较强的可并行处理、冗余容错性、联想、记忆、自组织及自适应等功能。

本文意在通过利用神经网络对气象因素变化趋势进行预测, 探索为预测内蒙古气象变动提供一种具有一定准确性与可操作性的实用方法。本文将利用 BP 神经网络对气象数据进行预测。在此引入 BP(前传反馈)神经网络模型。它是通过输入历史数据信息, 使它从输入层进入网络后, 逐渐向前传递至输出层, 比较给定的期望输出, 若两者之误差小于给定的误差则输出是合理的, 而大于给定的误差则反向传播, 调整网络的权值, 反复调整权值, 达到预期结果则可用于指标的预测。

2 数据与数据分析

2.1 数据收集与数据处理依据预测需要, 收集了气象类数据, 基本上符合了内蒙古地区气象数据, 在下文中将介绍收集到的数据的特征以及对存在误差或缺损数据进行简单处理的方法。

2.1.1 数据收集 本文所需的数据是当代研究地区气象环境状态所需要的数据, 已从单纯的监测站点所得到的数据发展到利用 3S 技术和计算机网组成的 4 维空间监测网络。除此之外, 还从地面监测站、统计年鉴报表等有关资料中获取所需要的数据。

2.1.2 数据记录 对数字、数据根据指标体系的内容,制定统一的、规范化的表格, 在本文中选用了基本的Excel 表格。它可以方便的转换到 SQL 数据库中, 以便于计算机进行处理, 也便于在下面的数据预测中方便的使用。

2.1.3 数据的预处理 为了便于分析和利用计算机处理数据, 有时需要量化表达形式。如进行归一化, 可使不同量纲、尺度的数据, 具有普适性和可比性。由于采集数据时机器设备的不正常工作和转化中产生的误差, 以及人为疏忽, 获得的数据难免会发生一些异常值, 所以在使用数据之前, 要对数据进行预处理, 捡拾和去掉异常值, 尽可能缩小各种原因造成的误差。

2.2 数据库表关系根据数据需要, 我们建立以下数据库。

(1) 基础气象数据: 平均气象数据表 aver_meteorol-ogy, 包括降雨量、日照、湿度。

(2)平均风速表 wind_speed, 主要是风速数据。

(3) 生态建设沙尘暴数据 sandstorm, 主要包括风向、风速、能见度等数据。

3 多层前向反馈 BP 神经网络及预测分析

3.1 BP 网络模型结构

3.2 利用BP 神经网络进行指标变化趋势预测不妨设需要进行预测的指标有 n 个:

xi(1), xi(2),   , xi(n)每个指标有 m 期实测值:

xi(1), xi(2),   , xi(m) (i=1, 2 ..., n)

BP 神经网络的拓扑结构采用 3- 4 层前传反馈网络, 输入层有 n 各节点、输出层也有 n 各节点, 可利用输入节点与输出节点乘积的平方根值设置隐层节点并试运行。在本课题中, 我们将采用 3 层前传反馈网络, 隐节点则可设为 10 点左右。

(1) 样本集的选择构建是关键之一, BP 神经网络是有师学习, 期望输出教师信号, 我们采用下述措施来构建样本集。

在输入层输入第 i 期数据时, 输出层的期望输出定为第 i+1 期的数据, 若输入为 xi(k)、输出记为 xi(k)、期望输出为 xi(k+1), 则绝对误差为:

di=x!i(k)- xi(k+1)(i=1, 2, ...n- 1)

可用 Emax(k)作为总误差, 或采用均方根:

Emax=1n- 1n- 1i = 1"d2i(k)#

作为总误差。这样就得到 n- 1 个样本, 作为学习训练阶段的样本集。为了减少振动, 可用均方根误差Emax=1n- 1n- 1i = 1"d2i$来调整权值。

(2)预测经过学习训练, 调整好的 BP 神经网络, 可以进入工作阶段进行预测, 输入 x1(k), x2(k),  , xn(k) 得到预测值 x1(k+1), x2(k+1),   xn(k+1)等。

对于指标 x, 可广义的理解为“时间”t 的函数。x=x(t)。当这种依赖是确定性的函数关系时, 就可以计算出在未来时点域某一时段的相应指标预测值。但由于各指标区的自然状况各不相同且纷繁复杂, 所以事物的机理往往不很清楚, 这种依赖关系不明确, 很难轻而易举地把 x 与 t 键的对应关系表达出来。所以, 只能通过观察和实测得到 m 期的实测值xi(1), xi(2),  xi(m)然后利用移动平均、构造插值函数、回归等传统办法来进行预测。由于知识背景的不很清楚、模糊性、随机性和非线性关系, 使得即使通过复杂方法计算出来的结果, 仍可能产生较大的误差。

人工神经网络由于它的并行运行和分布存储, 自组织、自适应、联想记忆等功能强, 有较强的冗余容错性能, 能自动地去发现提取样本中所蕴含的内在规律性, 所以, 可以说凡是用统计方法能够解决的问题, 用人工神经网络能处理得更好、更准确。

3.3 预测结果分析在完成本文研究的过程中, 我们选用了数学软件Matlab 来对某些指标进行预测。对人工神经网络和线性回归预测值给出对比, 由于 BP 的优良特性, 经训练好的网络进行预测, 使误差比较小。