兰州大学学报（自然科学版）
蘭州大學學報（自然科學版）
란주대학학보（자연과학판）
JOURNAL OF LANZHOU UNIVERSITY（NATURAL SCIENCES）
2012年
3期
52-57
,共6页
李沛%王式功%尚可政%李邦东%朱海峰%曾淑玲%郝天依
李沛%王式功%尚可政%李邦東%硃海峰%曾淑玲%郝天依
리패%왕식공%상가정%리방동%주해봉%증숙령%학천의
低能见度%人工神经网络%逐级分类建模%预报%北京地区
低能見度%人工神經網絡%逐級分類建模%預報%北京地區
저능견도%인공신경망락%축급분류건모%예보%북경지구
在研究了北京市近10年来城市能见度变化特征及低能见度发生的主要影响因素的基础上,利用北京市气象站观测资料筛选出主要的预报因子,使用学习向量量化算法对样本进行分类,再利用列文夸特算法逐级建立预报模型,并进行预报试验.结果表明神经网络逐级分类模型具有良好的预报能力,其关键在于模型的识别分类能力,试验得到分类准确率达到87.0％,采用列文夸特优化算法的逐级分类模型较统计回归预报残差平方和下降了57.1％；低能见度、中等能见度、高能见度预报准确率分别为60.0％,68.2％,79.3％,均高于统计回归预报方法(12.5％,41.7％,52.4％).
在研究瞭北京市近10年來城市能見度變化特徵及低能見度髮生的主要影響因素的基礎上,利用北京市氣象站觀測資料篩選齣主要的預報因子,使用學習嚮量量化算法對樣本進行分類,再利用列文誇特算法逐級建立預報模型,併進行預報試驗.結果錶明神經網絡逐級分類模型具有良好的預報能力,其關鍵在于模型的識彆分類能力,試驗得到分類準確率達到87.0％,採用列文誇特優化算法的逐級分類模型較統計迴歸預報殘差平方和下降瞭57.1％；低能見度、中等能見度、高能見度預報準確率分彆為60.0％,68.2％,79.3％,均高于統計迴歸預報方法(12.5％,41.7％,52.4％).
재연구료북경시근10년래성시능견도변화특정급저능견도발생적주요영향인소적기출상,이용북경시기상참관측자료사선출주요적예보인자,사용학습향량양화산법대양본진행분류,재이용렬문과특산법축급건립예보모형,병진행예보시험.결과표명신경망락축급분류모형구유량호적예보능력,기관건재우모형적식별분류능력,시험득도분류준학솔체도87.0％,채용렬문과특우화산법적축급분류모형교통계회귀예보잔차평방화하강료57.1％；저능견도、중등능견도、고능견도예보준학솔분별위60.0％,68.2％,79.3％,균고우통계회귀예보방법(12.5％,41.7％,52.4％).
