Báo cáo nghiên cứu khoa học Thử nghiệm dự báo lượng mưa ngày bằng phương pháp dùng mạng thần kinh nhân tạo hiệu chỉnh sản phẩm mô hình số

Trên thế giới có rất nhiều nhà khí t-ợng đã quan tâm tới mạng thần kinh nhân tạo (MTKNT) vì nó có khả năng học và xử lý tính phi tuyến của các quá trình biến đổi phức tạp mà các ph-ơng pháp dự báo khác không thực hiện đ-ợc. MTKNT đã đ-ợc ứng dụng trong rất nhiều lĩnh vực khoa học nh- điều khiển tự động, nhận dạng dấu vân tay, ... và cũng đ-ợc các nhà khí t-ợng sử dụng trong dự báo thời tiết, khí hậu. ...
Nội dung trích xuất từ tài liệu:
Báo cáo nghiên cứu khoa học " Thử nghiệm dự báo lượng mưa ngày bằng phương pháp dùng mạng thần kinh nhân tạo hiệu chỉnh sản phẩm mô hình số "T¹p chÝ Khoa häc ®hqghn, KHTN & CN, T.xxII, Sè 1PT., 2006Thö nghiÖm dù b¸o l−îng m−a ngµy b»ng ph−¬ng ph¸p dïng m¹ng thÇn kinh nh©n t¹o hiÖu chØnh s¶n phÈm m« h×nh sè Hå ThÞ Minh Hµ, NguyÔn H−íng §iÒn Khoa KhÝ t−îng-Thuû v¨n vµ H¶i d−¬ng häc Tr−êng §¹i häc Khoa häc Tù nhiªn, §HQG Hµ Néi1. Më ®Çu Trªn thÕ giíi cã rÊt nhiÒu nhµ khÝ t−îng ®· quan t©m tíi m¹ng thÇn kinh nh©nt¹o (MTKNT) v× nã cã kh¶ n¨ng häc vµ xö lý tÝnh phi tuyÕn cña c¸c qu¸ tr×nh biÕn ®æiphøc t¹p mµ c¸c ph−¬ng ph¸p dù b¸o kh¸c kh«ng thùc hiÖn ®−îc. MTKNT ®· ®−îc øngdông trong rÊt nhiÒu lÜnh vùc khoa häc nh− ®iÒu khiÓn tù ®éng, nhËn d¹ng dÊu v©ntay, ... vµ còng ®−îc c¸c nhµ khÝ t−îng sö dông trong dù b¸o thêi tiÕt, khÝ hËu. Cã thÓkÓ ra mét sè c«ng tr×nh nghiªn cøu ®· sö dông MTKNT nh− dù b¸o gi¸ng thuû h¹n dµië California, m« h×nh ho¸ «z«n, dù b¸o m−a ®¸ nguy hiÓm, dù b¸o gi¸ng thñy h¹nng¾n,... Tuy nhiªn, trong n−íc míi chØ cã rÊt Ýt c¸c nghiªn cøu vÒ lÜnh vùc nµy vµ ch−acã c«ng tr×nh nµo ®−îc ¸p dông vµo thùc tiÔn. ë ®©y chóng t«i sö dông MTKNT ®Ó thönghiÖm hiÖu chØnh s¶n phÈm cña m« h×nh sè, cô thÓ lµ l−îng m−a cña m« h×nh ph©ngi¶i cao HRM, theo sè liÖu quan tr¾c trong 3 th¸ng mïa m−a (6, 7, 8) n¨m 2004 nh»mn©ng cao chÊt l−îng cña s¶n phÈm dù b¸o sè. Tr−íc hÕt ta sÏ xem xÐt cÊu tróc vµ ho¹t®éng cña mét m¹ng thÇn kinh ®¬n gi¶n còng nh− ph−¬ng ph¸p häc gi¶m gradient cñaMTKNT, sau ®ã sÏ tiÕn hµnh hiÖu chØnh s¶n phÈm cña m« h×nh sè vµ ®¸nh gi¸ kÕt qu¶.2. Kh¸i niÖm vÒ MTKNT vµ ph−¬ng ph¸p häc gi¶m gradient2.1. CÊu tróc vµ ho¹t ®éng cña MTKNT Gi ¸ t rÞ ® Çu vµo 1 Tæ ng cã t rän g s è cñ a c¸c g i ¸ t rÞ ® Çu vµo Hµm t ruy Òn Gi ¸ t rÞ ® Çu vµo n (a) (b) H×nh 1. S¬ ®å m¹ng thÇn kinh sinh häc (a) vµ cÊu tróc cña MTKNT mét nót Èn (b). - M¹ng thÇn kinh sinh häc bao gåm nh¸nh thÇn kinh (dendrites), tÕ bµo thÇnkinh (cell body), trôc thÇn kinh (axon) vµ c¸c xung thÇn kinh (electrical spike) t−¬ngøng víi 3 phÇn chÝnh bao gåm ®Çu vµo, líp Èn vµ kÕt xuÊt cña MTKNT. 1 Hå ThÞ Minh Hµ, NguyÔn H−íng §iÒn2 - §Çu vµo cña MTKNT bao gåm N gi¸ trÞ xi vµ c¸c träng sè a ij t−¬ng øng. KÕt qu¶lÊy tæng cã träng sè cña c¸c xi sÏ ®−îc nhËp vµo líp Èn : n ∑x a u j = ao + (1) i ij i =1 - Líp Èn bao gåm hµm truyÒn, cã thÓ lµ hµm sigma, hµm tang-hypebol,…Ng−êi tath−êng sö dông hµm sigma cã d¹ng: 1 σ(x) = (2) 1 + e xp ( − x ) Thay gi¸ trÞ cña u j vµo hµm truyÒn sÏ ®−îc ®Çu ra cña líp Èn, ký hiÖu lµ yj (j=1,.., H). - C¸c gi¸ trÞ ®Çu ra cña líp Èn lµ ®Çu vµo cña kÕt xuÊt, thùc hiÖn t−¬ng tù nh− ®èivíi líp Èn ®−îc gi¸ trÞ kÕt xuÊt, ký hiÖu lµ zk (k = 1,.., K). - KÕt xuÊt ®Ých mµ ta muèn m¹ng häc ®−îc lµ c¸c gi¸ trÞ tk (k = 1,.., m). y j = σ (u j ) n b jk a ij h u j = a o + ∑ xi aij z k = bo + ∑ y j b jk yj xi i =1 j =1 H×nh 2. Qu¸ tr×nh lan truyÒn tiÕn - Mét qu¸ tr×nh ®i tõ ®Çu vµo, qua líp Èn vµ ®Õn kÕt xuÊt lµ mét qu¸ tr×nh lantruyÒn tiÕn (feed-forward) ...