基于径向基概率神经网络的气象参数状态识别

　　0　引言

　　风速、湿度、气压和温度等气象参数是船舶航行、飞机起降所需要的重要参数,实时监测这些参数对船舶航行、飞机起落起着非常重要的指导作用[1]。目前传统气象观测系统都是将监测到的实时数据传输到数据中心,在数据中心通过人工或计算机进行处理。而在这些实时数据中,经常存在因传感器故障、系统受干扰等原因引起的奇异数据。这些奇异数据对航行和飞机起降有时会引起严重后果。随着电子、信息、人工智能及其计算机相关专业领域的快速发展,船舶航行、飞机起落也向信息技术集约化、智能化等方向发展。因此,对气象参数的观测不仅要实现在线监测的基本功能,而且需要对原始数据进行处理,将非正常数据进行自动识别、剔除和预警。

　　大气基本物理状态的宏观物理量如气压、绝对温度及密度符合理想气体状态方程,风速与绝对温度、密度也符合一定的函数关系[7]。根据这些气象参数之间显式或隐式关系,可以对所观测的同一时刻下各个参数值进行状态识别,以识别出某些参数中的故障或非正常值。因此,设计算法使计算机能够通过对已知数据的学习,找到数据内在相互依赖的关系,从而对未知数据进行预测或对其性质进行判断。

　　本文利用径向基概率神经网络(RBPNN)实现气象参数观测数据映射,将状态变量显式地表达在代价泛函中。在实际在线学习过程中,将风速、温度、湿度、气压等实时参数作为识别模型的输入,输出为每个参数的状态识别。即对每个参数是否为奇异值进行识别。通过离线和在线的学习,可靠地识别参数状态,实现对奇异值进行剔除和报警处理。

　　1　径向基概率神经网络及其算法

　　径向基概率神经网络具有结构简单、训练快捷的特点,应用非常广泛,特别适用于解决模式分类问题,其优势在于利用线性学习算法来完成非线性算法实现的工作,且保持了非线性算法高精度的特性[2-6]。径向基概率神经网络为双隐层结构,如图1所示。

　　对c个类别对应的样本数分别为M⁽¹⁾ 、M⁽²⁾ 、…、M^(c) ,则第一、二隐层节点数分别为若记且假设L0=0,则第二隐层第k个节点对应的输出为:

　　式中:Sj(j=1,…,H1)为c个类别的训练样本形成总训练样本矢量,即第一隐层中心矢量;σj为第一隐层高斯函数的形状参数;第二个隐层输出端第k节点对应的类别为第k类。因此, zk相当于第k节点对应的第k类别的条件概率密度pk(x/ωk)。在k时刻迭代加权误差目标函数为:

　　式中:λ为加权遗忘因子; t为输入模式矢量矩阵的次数标记;D[t]为输出层在第t个模式输入时对应的期望输出矩阵;Y[t]为输出层在第t个模式输入时的输出矩阵; tr(·)为矩阵取迹运算。