• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于密度參數(shù)K-均值算法的RBF網(wǎng)絡(luò)及其在降水量預(yù)測中的應(yīng)用

    2014-09-21 09:38:34邢貞相
    水土保持研究 2014年6期
    關(guān)鍵詞:降水量聚類神經(jīng)網(wǎng)絡(luò)

    郭 皓, 邢貞相,2,3, 付 強,2,3, 李 晶

    (1.東北農(nóng)業(yè)大學(xué) 水利與建筑學(xué)院, 哈爾濱 150030; 2.黑龍江省糧食產(chǎn)能提升協(xié)同創(chuàng)新中心,哈爾濱 150030; 3.黑龍江省高校節(jié)水農(nóng)業(yè)重點實驗室, 哈爾濱 150030)

    基于密度參數(shù)K-均值算法的RBF網(wǎng)絡(luò)及其在降水量預(yù)測中的應(yīng)用

    郭 皓1, 邢貞相1,2,3, 付 強1,2,3, 李 晶1

    (1.東北農(nóng)業(yè)大學(xué) 水利與建筑學(xué)院, 哈爾濱 150030; 2.黑龍江省糧食產(chǎn)能提升協(xié)同創(chuàng)新中心,哈爾濱 150030; 3.黑龍江省高校節(jié)水農(nóng)業(yè)重點實驗室, 哈爾濱 150030)

    徑向基函數(shù)(Radial Basis Funtion,簡稱RBF)神經(jīng)網(wǎng)絡(luò)是一種收斂速度快、逼近能力強的前饋型神經(jīng)網(wǎng)絡(luò)。為提高網(wǎng)絡(luò)的訓(xùn)練速度,采用基于密度參數(shù)的K-均值算法,消除傳統(tǒng)K-均值算法對初始聚類中心的敏感性,構(gòu)建了基于K-均值算法的RBF降水預(yù)報模型,并應(yīng)用于撓力河流域的友誼農(nóng)場汛期月降水量預(yù)報中,以檢驗所建模型的有效性。結(jié)果表明,與標(biāo)準(zhǔn)的K-均值算法RBF網(wǎng)絡(luò)模型和BP(Back Propagation)網(wǎng)絡(luò)模型相比,所構(gòu)建的RBF降水預(yù)報模型對2008年,2009年,2010年各年間汛期(6—9月)降水量的預(yù)測平均相對誤差為9.270 7%;確定性系數(shù)為0.96。預(yù)報精度均有所提高,且滿足水文預(yù)報要求。

    水文學(xué); 降水量預(yù)測; 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò); 密度參數(shù); K-均值

    降水是自然界水循環(huán)的一個重要環(huán)節(jié),因受多類因子的影響,降水量的變化存在復(fù)雜且多變的不確定性。高精度的降水量預(yù)測方法能提前預(yù)測降水量的變化并為徑流預(yù)報提供雨情數(shù)據(jù)狀態(tài)和后果,對防洪抗旱、指導(dǎo)生產(chǎn)都有重要意義[1]。降水量的預(yù)測方法眾多,如回歸分析[2]、灰色預(yù)測[3]、數(shù)值模擬[4]、模糊預(yù)測[5]、人工神經(jīng)網(wǎng)絡(luò)[6-7]等等。人工神經(jīng)網(wǎng)絡(luò)因具有較強的處理非線性問題的能力,無需求解具體的問題解析函數(shù),有較好的泛化能力等優(yōu)點,在降水量的預(yù)測研究方法中獨樹一幟。目前,BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)是應(yīng)用最多的兩種網(wǎng)絡(luò)模型。吳有訓(xùn)[8]等人采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和閾值的混合算法,建立安徽宣城市汛期降水短期氣候預(yù)測模型,預(yù)報誤差較小。盧文喜[9]等人采用RBF神經(jīng)網(wǎng)絡(luò)建立樺甸市降水預(yù)測模型,結(jié)果表明,模型的后驗差比值、平均絕對誤差及有效系數(shù)的精度均滿足要求。與BP網(wǎng)絡(luò)相比,RBF網(wǎng)絡(luò)的隱層單元數(shù)可在訓(xùn)練階段自適應(yīng)調(diào)整;此外,RBF網(wǎng)絡(luò)輸入層與隱層之間無須通過權(quán)值連接,而是采用直聯(lián)的方式。由此看來,RBF具有BP無法替代的優(yōu)越性,可大大提高網(wǎng)絡(luò)收斂速度,對非線性函數(shù)具有更好的一致逼近性[10]。故本文對RBF網(wǎng)絡(luò)進(jìn)行一定的探討和研究,嘗試用于三江平原撓力河流域降水量的預(yù)測。

    1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

    徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Network)是一種局部逼近的前饋式神經(jīng)網(wǎng)絡(luò)[11],拓?fù)浣Y(jié)構(gòu)如圖1所示。它模擬了人腦的局部調(diào)整、相互覆蓋接受域的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),并且能夠以任意精度逼近任意連續(xù)函數(shù)。

    圖1 徑向基網(wǎng)絡(luò)結(jié)構(gòu)圖

    RBF網(wǎng)絡(luò)的基本思想是[12]:用RBF作為隱單元的“基”構(gòu)成隱含層空間,這樣可將輸入矢量直接(即不需要通過權(quán)連接)映射到隱空間。當(dāng)RBF的中心點確定以后,映射關(guān)系便確定了。而隱含層空間到輸出空間的映射是線性的,即網(wǎng)絡(luò)的輸出是隱單元輸出的線性加權(quán)和。

    RBF網(wǎng)絡(luò)中常用的徑向基函數(shù)是高斯函數(shù),因此RBF網(wǎng)絡(luò)的激活函數(shù)可表示為

    (1)

    (2)

    式中:wij——隱含層到輸出層的連接權(quán)值;i=1,2,…,h(h為隱含層的結(jié)點數(shù));yj——與輸入樣本對應(yīng)的網(wǎng)絡(luò)的第j個輸出節(jié)點的實際輸出;其他符號意義同前。

    2 基于密度參數(shù)的K-means算法

    RBF網(wǎng)絡(luò)學(xué)習(xí)算法需要求解的參數(shù)有三個:隱層基函數(shù)的中心、方差及隱層到輸出層的權(quán)重。其中,基函數(shù)中心的選取是該網(wǎng)絡(luò)能否成功實現(xiàn)的關(guān)鍵所在,其選取方法有多種,如隨機選取中心法、自組織選取中心法、聚類分析法及正交最小二乘法。而RBF網(wǎng)絡(luò)較為有效的學(xué)習(xí)算法是K-均值(K-means)聚類法。K-means算法基本思想[13]:它是一種基于距離的聚類算法,采用距離作為相似性的評價指標(biāo),首先在樣本數(shù)據(jù)中隨機選取k 個對象作為初始的聚類中心,而后的每個點都被分配到與其最近的聚類中心,而到同一個聚類中心的點集被指定為一個分組,即形成k個分組;重復(fù)分配和更新步驟,直到分組不發(fā)生任何變化,即聚類中心不發(fā)生變化時為止,此時具有共同特性的樣本數(shù)據(jù)便形成了特定的組群。該算法原理易于理解、計算步驟簡捷、易于計算機程序的實現(xiàn),但從中也不難看出K-means算法對初始聚類中心很敏感,聚類結(jié)果隨不同的初始輸入而波動,這勢必影響最終各樣本組群的特征?;诿芏葏?shù)的K-means算法可以降低傳統(tǒng)算法初始聚類中心對聚類結(jié)果波動性的影響,因此,本文采用基于密度參數(shù)K-means算法的RBF網(wǎng)絡(luò)嘗試對降水量進(jìn)行預(yù)測研究。

    2.1 密度參數(shù)的概念

    樣本數(shù)據(jù)集合:S={x1, x2,…,xn},k個初始的聚類中心:z1,z2,…,zk。

    定義1,兩個數(shù)據(jù)對象間的歐氏距離

    d(xi,xj) =(∣xi1-xj1∣2+∣xi2-xj2∣2

    +…+∣xip-xjp∣2)1/2

    (3)

    式中:xi={ xi1,xi2,…,xip}和xj={ xj1,xj2,…,xjp}——兩個p維的數(shù)據(jù)對象。

    定義2,樣本點之間的平均距離

    (4)

    定義3,密度參數(shù)[14]空間中任一點p和距離MeanDist,以p點為中心,半徑為MeanDist的區(qū)域稱為點的鄰域,區(qū)域內(nèi)的點的個數(shù)稱為點p基于距離MeanDist的密度參數(shù),記作density(p,MeanDist)。

    2.2 基于密度參數(shù)的K-means算法

    在用歐氏距離作為相似性度量的K-means算法中,相互距離最遠(yuǎn)的k個數(shù)據(jù)對象比隨機取的k個數(shù)據(jù)對象更具有代表性。但實際的數(shù)據(jù)集往往有噪聲數(shù)據(jù)存在,如果只是單純地取相互距離最遠(yuǎn)的k個點來代表k個不同的類別,有時會取到噪聲點,從而影響聚類效果。一般在一個數(shù)據(jù)空間中,高密度的數(shù)據(jù)對象區(qū)域被低密度的對象區(qū)域所分割,通常認(rèn)為處于低密度區(qū)域的點為噪聲點。為了避免取到噪聲點,取k個處于高密度區(qū)域的點作為初始聚類中心,具體步驟[14]:

    (1) 按照式(3)計算數(shù)據(jù)對象兩兩之間的距離d(xi,xj)

    (2) 按照式(4)計算數(shù)據(jù)對象之間的平均距離MeanDist。

    (3) 計算全部數(shù)據(jù)對象的密度參數(shù)density(p,MeanDist),組成一個集合D。

    (4) 從數(shù)據(jù)對象的密度參數(shù)集合中找到最大者zk,zk=max{density(pi,MeanDist)

    |i∈(1,2,…,n),density(pi,MeanDist)∈D}。如果d(pi,zk)

    (5) 重復(fù)步驟(3),(4),直至找到k個聚類中心為止。

    根據(jù)上述方法得到的k個聚類中心即為RBF網(wǎng)絡(luò)最終的基函數(shù)的中心。

    3 基于RBF網(wǎng)絡(luò)的降水量預(yù)測模型構(gòu)建

    3.1 RBF網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定

    3.1.1 輸入神經(jīng)元數(shù)目的選擇 輸入神經(jīng)元的選擇對建立RBF網(wǎng)絡(luò)的有效性至關(guān)重要,不合理的選擇會影響網(wǎng)絡(luò)的質(zhì)量,甚至導(dǎo)致建模失敗。因此,本文采用自相關(guān)分析技術(shù)確定RBF網(wǎng)絡(luò)的輸入神經(jīng)元節(jié)點數(shù)。

    3.1.2 隱含層神經(jīng)元數(shù)目的選擇 隱含層神經(jīng)元用以存儲輸入層到隱含層的連接權(quán)值和閾值,能夠體現(xiàn)訓(xùn)練樣本與期望輸出間的內(nèi)在規(guī)律。目前還沒有準(zhǔn)確、科學(xué)的確定方法,多是通過經(jīng)驗公式和數(shù)值試驗比較確定,本文也采用此方法確定,且經(jīng)驗公式[15]:

    (5)

    n2=log2n1

    (6)

    式中:n2——隱含層神經(jīng)元個數(shù);n1——輸出層神經(jīng)元個數(shù);m——輸入神經(jīng)元個數(shù),a——[0,1]之間的常數(shù)。

    3.2 降水量預(yù)測模型的構(gòu)建

    網(wǎng)絡(luò)模型的創(chuàng)建采用Matlab的RBF工具箱來實現(xiàn),具體的程序語言為:net=newrb(P,T,goal,spread,mn,df),其中,P和T分別為樣本的輸入向量和輸出向量;goal為均方誤差,本文取goal=0.001,目的是防止過度擬合;spread為徑向基函數(shù)的寬度,本文通過隱層神經(jīng)元各個中心之間的距離來確定,其計算公式

    spread=b×di

    (7)

    式中:b——重疊系數(shù),一般取大于1的整數(shù)[16];di——隱含層基函數(shù)中心間的最小距離,基函數(shù)中心由基于密度參數(shù)的K-means算法求得。

    4 實例研究

    4.1 試驗數(shù)據(jù)

    現(xiàn)以三江平原友誼農(nóng)場1956—2007年各年汛期(6—9月)降水量資料為例,建立基于密度參數(shù)K-means算法的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型。選取1956—2005年各年汛期降水?dāng)?shù)據(jù)用于網(wǎng)絡(luò)訓(xùn)練,2006年和2007年汛期降水?dāng)?shù)據(jù)用于網(wǎng)絡(luò)檢驗,并對2008,2009,2010年汛期各月降水量進(jìn)行預(yù)測。

    4.2 數(shù)據(jù)預(yù)處理

    由于RBF網(wǎng)絡(luò)對輸入、輸出數(shù)據(jù)的要求在[0,1]之間,故在訓(xùn)練之前先將降水?dāng)?shù)據(jù)按以下公式進(jìn)行歸一化處理,即

    (8)

    式中:Xi,Yi——歸一化處理前、后的降水量;Xmin,Xmax——所有降水量的最小值和最大值。經(jīng)過以上處理后的數(shù)據(jù)將作為RBF神經(jīng)網(wǎng)絡(luò)模型的樣本。

    4.3 RBF網(wǎng)絡(luò)結(jié)構(gòu)的確定及訓(xùn)練

    根據(jù)降水量的特性,設(shè)計RBF神經(jīng)網(wǎng)絡(luò),主要是確定輸入層與隱含層的節(jié)點數(shù)。對于友誼農(nóng)場汛期降水量序列進(jìn)行相關(guān)分析(圖2,圖3分別給出降水量序列的自相關(guān)函數(shù)圖和偏相關(guān)函數(shù)圖),據(jù)自相關(guān)圖的拖尾性和偏相關(guān)圖的截尾性,可判別降水量序列適用于AR模型,并通過AIC準(zhǔn)則[17]分析得到馬爾科夫過程的階數(shù)應(yīng)為4(表1中給出AIC準(zhǔn)則的計算結(jié)果),即RBF神經(jīng)網(wǎng)絡(luò)中輸入層的節(jié)點個數(shù)為4。隱含層神經(jīng)元用以存儲輸入層到隱含層的連接權(quán)值,體現(xiàn)訓(xùn)練樣本與期望樣本間的內(nèi)在規(guī)律。根據(jù)經(jīng)驗公式和試算,隱含層節(jié)點數(shù)選定6個,至此,本文網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為4∶6∶1。

    圖2 降水量序列自相關(guān)函數(shù)

    圖3 降水量序列偏相關(guān)函數(shù)

    階數(shù)AIC值41622.481688.9121632.5

    利用已構(gòu)建的神經(jīng)網(wǎng)絡(luò)對1956—2005年的汛期降水量數(shù)據(jù)訓(xùn)練188次達(dá)到收斂,網(wǎng)絡(luò)擬合誤差達(dá)到0.001,其網(wǎng)絡(luò)誤差變化圖及網(wǎng)絡(luò)訓(xùn)練擬合圖(如圖4,圖5),通過擬合曲線看出,訓(xùn)練階段計算降水量變化趨勢與實測降水量趨勢擬合度較高。為驗證所構(gòu)建RBF網(wǎng)絡(luò)模型的泛化能力,對2006年和2007年汛期各月降水量進(jìn)行檢驗計算,驗證期計算結(jié)果如表2所示,平均預(yù)報相對誤差為9.666 2%,確定性系數(shù)為0.98。經(jīng)以上驗證,可利用已構(gòu)建的RBF網(wǎng)絡(luò)進(jìn)行撓力河流域降水量預(yù)測,表3給出了模型對2008,2009及2010年汛期各月降水量的計算結(jié)果(為便于對比,表中還列出了標(biāo)準(zhǔn)K-Means算法RBF網(wǎng)絡(luò)與BP網(wǎng)絡(luò)的計算結(jié)果)。

    圖4 RBF神經(jīng)網(wǎng)絡(luò)擬合誤差變化

    4.4 計算結(jié)果與分析

    表3中計算結(jié)果表明,應(yīng)用已建立的RBF網(wǎng)絡(luò)模型對2008,2009及2010年汛期各月降水量預(yù)測的平均相對誤差為9.270 7%,確定性系數(shù)為0.96;而標(biāo)準(zhǔn)K-means算法預(yù)測的平均相對誤差為12.894 0%,確定性系數(shù)為0.92;BP網(wǎng)絡(luò)模型的平均相對誤差為11.242 0%,確定性系數(shù)為0.94。與此同時,已建立的RBF網(wǎng)絡(luò)模型訓(xùn)練擬合時間及收斂次數(shù)也有所提高,分別為85 s及188次;而標(biāo)準(zhǔn)K-means算法的訓(xùn)練擬合時間及收斂次數(shù)分別為100 s及266次;BP網(wǎng)絡(luò)模型的訓(xùn)練擬合時間及收斂次數(shù)分別為121 s及420次。由此可見,與標(biāo)準(zhǔn)K-means算法的RBF模型和BP模型相比,本文所構(gòu)建的RBF網(wǎng)絡(luò)計算速度分別提高15%,30%;預(yù)報平均相對誤差分別降低28%,19%;確定性系數(shù)均相當(dāng)。

    5 結(jié) 論

    K-means算法是RBF神經(jīng)網(wǎng)絡(luò)常用的學(xué)習(xí)算法,但是傳統(tǒng)的K-means由于隨機選取初始聚類中心不同而造成聚類結(jié)果的波動,從而導(dǎo)致網(wǎng)絡(luò)產(chǎn)生不同的收斂能力。本文應(yīng)用基于密度參數(shù)尋找初始聚類中心的思想,嘗試消除隨機選取聚類中心的不穩(wěn)定性和敏感性,并利用基于密度參數(shù)的K-means算法求得RBF網(wǎng)絡(luò)基函數(shù)的寬度,構(gòu)建了友誼農(nóng)場基于密度參數(shù)K-Means的RBF降水量預(yù)測模型。通過實例研究,得出以下結(jié)論:

    表3 改進(jìn)RBF網(wǎng)絡(luò)與標(biāo)準(zhǔn)K-means RBF網(wǎng)絡(luò)及BP網(wǎng)絡(luò)降水量預(yù)測結(jié)果對比

    注:表中改進(jìn)的RBF網(wǎng)絡(luò)為本文構(gòu)建的RBF網(wǎng)絡(luò)。

    (1) 從網(wǎng)絡(luò)收斂速度來看,基于密度參數(shù)K-means算法的RBF網(wǎng)絡(luò)模型與傳統(tǒng)K-means算法的RBF網(wǎng)絡(luò)相比,對聚類數(shù)、基函數(shù)中心的確定等方面有著一定的優(yōu)越性,收斂速度、預(yù)報精度均有明顯的提升。

    (2) 對于撓力河流域友誼農(nóng)場汛期月降水量的預(yù)測而言,改進(jìn)的RBF網(wǎng)絡(luò)模型與BP網(wǎng)絡(luò)模型相比,在精度上有較大的提高,2008,2009,2010年汛期月降水量的平均相對誤差分別降低19%,29%及6%,確定性系數(shù)分別提高3%,4%及2%,為在不確定因素較強的降水量預(yù)測提供了一種新方法;

    (3) 應(yīng)用本文所述的RBF網(wǎng)絡(luò)模型對月降水量進(jìn)行預(yù)測時,網(wǎng)絡(luò)的節(jié)點數(shù)采用經(jīng)驗公式和網(wǎng)絡(luò)試算,在日后的研究中,可采用智能優(yōu)化算法優(yōu)化RBF網(wǎng)絡(luò)的隱層節(jié)點數(shù),以進(jìn)一步提高模型的計算精度。

    [1] 常青,趙曉莉.時間序列模型在降水量預(yù)測中的應(yīng)用研究[J].計算機仿真,2011,28(7):204-206.

    [2] 唐亞松,張鑫,蔡煥杰,等.一種基于回歸分析與時序分析的降水預(yù)報模型[J].水土保持通報,2009,29(1).88-92.

    [3] 李才媛,顧永剛.灰色預(yù)測模型在長江上游流域面雨量預(yù)報中的應(yīng)用[J].氣象科技,2004,31(4):223-225.

    [4] 錢莉,楊曉玲,殷玉春,等.最優(yōu)子集回歸在武威市降水預(yù)報中的應(yīng)用[J].干旱區(qū)研究,2009,26(6):895-900.

    [5] 孫才志,林學(xué)鈺.降水預(yù)測的模糊權(quán)馬爾可夫模型及應(yīng)用[J].系統(tǒng)工程學(xué)報,2003,18(4):294-299.

    [6] 封毅,武博強,崔靈周.基于BP神經(jīng)網(wǎng)絡(luò)的臺風(fēng)降雨量預(yù)測研究[J].水土保持研究,2012,19(3):289-293.

    [7] 葛彩蓮,蔡煥杰,王健,等.基于BP神經(jīng)網(wǎng)絡(luò)的降雨量預(yù)測研究[J].節(jié)水灌溉,2010(11):7-10.

    [8] 吳有訓(xùn),王周青,汪文烈,等.遺傳算法優(yōu)化BP網(wǎng)絡(luò)的汛期降水預(yù)測模型[J].安徽農(nóng)業(yè)大學(xué)學(xué)報,2013,40(2):299-303.

    [9] 盧文喜,楊磊磊,楊忠平,等.逐步回歸時間序列和RBF-ANN在降水預(yù)測中的應(yīng)用[J].重慶大學(xué)學(xué)報:自然科學(xué)版,2012,35(11):131-135.

    [10] 陳玉紅.RBF網(wǎng)絡(luò)在時間序列預(yù)測中的應(yīng)用研究[D].哈爾濱:哈爾濱工程大學(xué),2009.

    [11] 伊燕平,盧文喜,張耘,等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的地下水?dāng)?shù)值模擬模型的替代模型研究[J].水土保持研究,2012,19(4):265-269.

    [12] 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京:機械工業(yè)出版社,2009.

    [13] 靳玉萍,黨婕.基于徑向基神經(jīng)網(wǎng)絡(luò)改進(jìn)算法優(yōu)化鍋爐燃燒效率[J].計算機應(yīng)用,2013,33(06):1771-1779.

    [14] 張建輝.K-means聚類算法研究及應(yīng)用[D].武漢:武漢理工大學(xué),2007.

    [15] 胡可云,田鳳占,黃厚寬.數(shù)據(jù)挖掘理論與應(yīng)用[M].北京:清華大學(xué)出版社,2008.

    [16] 蘇美娟.徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法研究[D].蘇州:蘇州大學(xué),2007.

    [17] 王文圣,丁晶,金菊良.隨機水文學(xué)[M].北京:中國水利水電出版社,2008.

    RBFNeuralNetworkofK-MeansAlgorithmBasedonDensityParameterandtheApplicationtotheRainfallForecasting

    GUO Hao1, XING Zhen-xiang2,3, FU Qiang1,2,3, LI Jing1

    (1.CollegeofWaterConservancy&CivilEngineering,NortheastAgriculturalUniversity,Harbin150030,China; 2.CollaborativeInnovationCenterofGrainProductionCapacityImprovementinHeilongjiangProvince,Harbin150030,China; 3.KeyLabofWater-SavingAgricultureofHeilongjiangUniversity,Harbin150030,China)

    The radial basis function (RBF) neural network is a feed-forward artificial neural network with high convergence speed and strong approximation capability. In order to improve the training rate of the RBF, a K-means algorithm based on density parameter was introduced to determine clustering center, which could reduce the sensitivity of traditional K-means algorithm for initial clustering centers. A rainfall forecasting model of RBF based on K-means algorithm was built, which was applied to forecasting monthly rainfall over the Youyi Farm in Naolihe catchment during the flood season, aiming to test the effectiveness of this model. The case study showed that the mean relative error of rainfall forecasting in flood season (from June to September) of the year 2008, 2009 and 2010 was 9.270 7%, and the deterministic coefficient was 0.96. It demonstrated a higher forecasting accuracy compared to a RBF model based on a standard K-means algorithm and BP (Back Propagation) model, and the rainfall forecasting results met the requirements of hydrologic prediction.

    hydrology; rainfall forecasting; radial basis function neural network; density parameter; K-means

    2014-04-15

    :2014-05-08

    國家自然科學(xué)資助項目(51109036;51179032);教育部高等學(xué)校博士學(xué)科點專項科研基金(20112325120009);水利部公益性行業(yè)科研專項經(jīng)費項目(201301096);黑龍江省級領(lǐng)軍人才梯隊后備事頭人資助項目(500001);黑龍江省博士后啟動金(LBH-Q12147)

    郭皓(1990—),女,黑龍江省雙城人,碩士研究生,研究方向為水文預(yù)報方法研究。E-mail:ghneau@sina.cn

    付強(1973—),男,遼寧省錦州人,博導(dǎo),教授,博士,研究方向為水資源分析與評價。E-mail:fuqiang0629@126.com

    P338

    :A

    :1005-3409(2014)06-0299-05

    猜你喜歡
    降水量聚類神經(jīng)網(wǎng)絡(luò)
    繪制和閱讀降水量柱狀圖
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    降水量是怎么算出來的
    啟蒙(3-7歲)(2019年8期)2019-09-10 03:09:08
    1988—2017年呼和浩特市降水演變特征分析
    基于DBSACN聚類算法的XML文檔聚類
    電子測試(2017年15期)2017-12-18 07:19:27
    基于小波變換的三江平原旬降水量主周期識別
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機控制模型建立
    重型機械(2016年1期)2016-03-01 03:42:04
    基于改進(jìn)的遺傳算法的模糊聚類算法
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    基于支持向量機回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
    亚洲无线在线观看| 在线观看免费视频日本深夜| 色综合婷婷激情| 色尼玛亚洲综合影院| 又爽又黄无遮挡网站| 成年女人毛片免费观看观看9| xxxwww97欧美| 很黄的视频免费| 精品一区二区三区四区五区乱码| 麻豆成人午夜福利视频| 亚洲精品久久国产高清桃花| 在线观看午夜福利视频| 黄频高清免费视频| 九九热线精品视视频播放| 亚洲av成人av| 岛国视频午夜一区免费看| 国产精品久久久人人做人人爽| 国产私拍福利视频在线观看| 久久99热这里只有精品18| 婷婷六月久久综合丁香| 国产精品久久久久久精品电影| 亚洲精品粉嫩美女一区| 亚洲熟妇熟女久久| 国产三级黄色录像| 女生性感内裤真人,穿戴方法视频| 九色成人免费人妻av| 女生性感内裤真人,穿戴方法视频| 久久精品影院6| 国产一区二区激情短视频| 18禁黄网站禁片免费观看直播| 中文字幕精品亚洲无线码一区| 免费在线观看亚洲国产| 国产av又大| 很黄的视频免费| 国产成人av教育| 99在线视频只有这里精品首页| 午夜精品久久久久久毛片777| 麻豆成人午夜福利视频| 18美女黄网站色大片免费观看| 老鸭窝网址在线观看| 搡老妇女老女人老熟妇| 欧美性猛交黑人性爽| 欧美午夜高清在线| 亚洲美女视频黄频| 亚洲男人的天堂狠狠| 国产精品爽爽va在线观看网站| 手机成人av网站| 国产精品98久久久久久宅男小说| 久久精品国产99精品国产亚洲性色| 国产97色在线日韩免费| 女人被狂操c到高潮| 国产av一区在线观看免费| 一本精品99久久精品77| 欧美久久黑人一区二区| 窝窝影院91人妻| 免费一级毛片在线播放高清视频| 亚洲午夜理论影院| 欧美 亚洲 国产 日韩一| 国产亚洲av高清不卡| 国产高清视频在线播放一区| 亚洲av成人不卡在线观看播放网| 97人妻精品一区二区三区麻豆| 啦啦啦免费观看视频1| 草草在线视频免费看| 国产精品,欧美在线| 99在线人妻在线中文字幕| 亚洲精品国产精品久久久不卡| 久久久精品欧美日韩精品| 欧美zozozo另类| 嫁个100分男人电影在线观看| 两性夫妻黄色片| 国产成人av教育| 成人国语在线视频| 一卡2卡三卡四卡精品乱码亚洲| 国产av一区在线观看免费| 欧美久久黑人一区二区| 99国产精品99久久久久| 日韩国内少妇激情av| 老司机靠b影院| 国产三级在线视频| 日本 av在线| 宅男免费午夜| 久久久久久久午夜电影| 香蕉丝袜av| 夜夜爽天天搞| 一级作爱视频免费观看| aaaaa片日本免费| 法律面前人人平等表现在哪些方面| 级片在线观看| 正在播放国产对白刺激| 国产99久久九九免费精品| 久久精品国产综合久久久| 精品福利观看| 亚洲精品中文字幕在线视频| 男女午夜视频在线观看| 国产精品av视频在线免费观看| 88av欧美| 长腿黑丝高跟| 舔av片在线| 69av精品久久久久久| 中亚洲国语对白在线视频| 一级片免费观看大全| 在线观看午夜福利视频| 亚洲人与动物交配视频| 国产视频内射| 精品第一国产精品| 中文资源天堂在线| 在线观看免费视频日本深夜| 老熟妇仑乱视频hdxx| 男人舔女人下体高潮全视频| 日本 av在线| 久久香蕉国产精品| 露出奶头的视频| 色综合亚洲欧美另类图片| 18禁观看日本| 日本熟妇午夜| 身体一侧抽搐| 国产精品久久久久久亚洲av鲁大| 成人三级黄色视频| 性欧美人与动物交配| 久久久国产成人精品二区| 精品第一国产精品| 亚洲国产欧美网| 久久精品91蜜桃| 亚洲欧美日韩无卡精品| 一a级毛片在线观看| 国产成年人精品一区二区| 国产三级黄色录像| 欧美zozozo另类| 两性夫妻黄色片| 老司机午夜福利在线观看视频| 亚洲欧洲精品一区二区精品久久久| 国产亚洲精品av在线| 亚洲专区国产一区二区| 在线观看www视频免费| av天堂在线播放| 亚洲成人国产一区在线观看| 免费看美女性在线毛片视频| 丝袜人妻中文字幕| 欧美色欧美亚洲另类二区| 亚洲第一电影网av| 一区二区三区国产精品乱码| 欧美最黄视频在线播放免费| 国产亚洲精品综合一区在线观看 | 精品不卡国产一区二区三区| 男人舔奶头视频| 宅男免费午夜| 久久中文字幕一级| 一级片免费观看大全| 午夜激情福利司机影院| 日韩欧美国产在线观看| 搡老熟女国产l中国老女人| 亚洲欧美精品综合一区二区三区| 18禁观看日本| 国产主播在线观看一区二区| 久久久国产精品麻豆| 一级片免费观看大全| 午夜老司机福利片| 亚洲国产精品久久男人天堂| 欧美高清成人免费视频www| 成人特级黄色片久久久久久久| 无遮挡黄片免费观看| 黄色视频不卡| 亚洲aⅴ乱码一区二区在线播放 | 欧美日韩精品网址| 人人妻,人人澡人人爽秒播| 99久久精品热视频| 久久久久久久午夜电影| 麻豆av在线久日| 免费看日本二区| 天堂av国产一区二区熟女人妻 | 久久99热这里只有精品18| 亚洲一码二码三码区别大吗| 精品一区二区三区四区五区乱码| 久久午夜综合久久蜜桃| 免费在线观看视频国产中文字幕亚洲| 亚洲专区中文字幕在线| 美女黄网站色视频| 亚洲国产精品成人综合色| 国产区一区二久久| 一区二区三区国产精品乱码| 手机成人av网站| av天堂在线播放| 国产精品一区二区三区四区久久| 亚洲国产精品成人综合色| 欧美中文日本在线观看视频| 一区二区三区国产精品乱码| 精品国产亚洲在线| 国产高清激情床上av| 成人午夜高清在线视频| 午夜老司机福利片| 黄色a级毛片大全视频| 国语自产精品视频在线第100页| 精品久久久久久,| 麻豆国产97在线/欧美 | 午夜福利成人在线免费观看| 亚洲成av人片在线播放无| 国产午夜福利久久久久久| 亚洲国产看品久久| 香蕉丝袜av| 亚洲人成电影免费在线| 观看免费一级毛片| 欧美乱码精品一区二区三区| 欧美成人午夜精品| 五月伊人婷婷丁香| 国产精品av久久久久免费| 午夜精品久久久久久毛片777| 国产成人啪精品午夜网站| 日本熟妇午夜| 色在线成人网| 麻豆国产97在线/欧美 | 丰满人妻熟妇乱又伦精品不卡| 99国产精品一区二区三区| 日韩免费av在线播放| 国产精品久久久久久精品电影| av在线天堂中文字幕| 免费在线观看亚洲国产| 午夜精品一区二区三区免费看| 在线观看免费视频日本深夜| 国产真人三级小视频在线观看| 视频区欧美日本亚洲| 午夜免费激情av| 美女扒开内裤让男人捅视频| 国产亚洲精品一区二区www| 午夜福利高清视频| 亚洲男人天堂网一区| cao死你这个sao货| 97超级碰碰碰精品色视频在线观看| 中文字幕久久专区| 亚洲 欧美 日韩 在线 免费| 一a级毛片在线观看| 国产一区二区在线av高清观看| 少妇裸体淫交视频免费看高清 | 日本一本二区三区精品| 三级男女做爰猛烈吃奶摸视频| 午夜a级毛片| av在线天堂中文字幕| 日韩有码中文字幕| 日本一本二区三区精品| 亚洲专区国产一区二区| 国产又色又爽无遮挡免费看| 亚洲人成77777在线视频| 午夜精品在线福利| 久久国产精品人妻蜜桃| 亚洲专区字幕在线| 欧美+亚洲+日韩+国产| 日韩三级视频一区二区三区| 两性夫妻黄色片| 国产精品一区二区免费欧美| 国产精品亚洲一级av第二区| 亚洲精品久久成人aⅴ小说| 免费观看人在逋| 禁无遮挡网站| 欧美久久黑人一区二区| 国产精品1区2区在线观看.| 丁香欧美五月| 性色av乱码一区二区三区2| 校园春色视频在线观看| 国产亚洲精品av在线| 老司机靠b影院| 国产高清视频在线观看网站| 1024视频免费在线观看| 国产精品永久免费网站| 亚洲精品一卡2卡三卡4卡5卡| 少妇被粗大的猛进出69影院| 国产精品久久久久久人妻精品电影| 可以免费在线观看a视频的电影网站| 亚洲国产日韩欧美精品在线观看 | 成年人黄色毛片网站| 正在播放国产对白刺激| 国产精品1区2区在线观看.| 免费av毛片视频| 免费看十八禁软件| 制服人妻中文乱码| 久久久久久免费高清国产稀缺| 亚洲国产欧洲综合997久久,| 最近在线观看免费完整版| 看免费av毛片| 精品电影一区二区在线| 久久精品影院6| 久久久国产成人免费| 99精品在免费线老司机午夜| 国产一区二区三区视频了| 波多野结衣高清作品| 桃红色精品国产亚洲av| 国产又黄又爽又无遮挡在线| 变态另类成人亚洲欧美熟女| 国产精品av视频在线免费观看| 欧美黑人巨大hd| 观看免费一级毛片| 久久香蕉精品热| 国产成年人精品一区二区| 亚洲色图 男人天堂 中文字幕| 亚洲av成人精品一区久久| 久久久久久免费高清国产稀缺| 深夜精品福利| 欧美人与性动交α欧美精品济南到| 丁香六月欧美| 亚洲av成人不卡在线观看播放网| 1024香蕉在线观看| 亚洲欧美日韩高清专用| 国产激情偷乱视频一区二区| 99国产极品粉嫩在线观看| 亚洲人成77777在线视频| 性欧美人与动物交配| 岛国在线观看网站| 男女做爰动态图高潮gif福利片| 国产精品久久视频播放| 午夜精品一区二区三区免费看| 国内少妇人妻偷人精品xxx网站 | 亚洲精品美女久久av网站| 欧美人与性动交α欧美精品济南到| 一区二区三区国产精品乱码| 精品久久久久久,| 亚洲国产欧美一区二区综合| 中文在线观看免费www的网站 | 91国产中文字幕| 丁香六月欧美| 亚洲乱码一区二区免费版| 欧美日韩亚洲综合一区二区三区_| 狂野欧美激情性xxxx| 欧美日韩瑟瑟在线播放| 一进一出好大好爽视频| 嫁个100分男人电影在线观看| 淫妇啪啪啪对白视频| 老司机靠b影院| 欧美性猛交黑人性爽| 99精品在免费线老司机午夜| 麻豆一二三区av精品| www.自偷自拍.com| 俄罗斯特黄特色一大片| 久久精品国产99精品国产亚洲性色| 欧美 亚洲 国产 日韩一| 成人三级黄色视频| 人成视频在线观看免费观看| 精品一区二区三区av网在线观看| 伊人久久大香线蕉亚洲五| 丝袜美腿诱惑在线| 免费看日本二区| 免费无遮挡裸体视频| 免费av毛片视频| 两性夫妻黄色片| 国产亚洲精品av在线| 国产主播在线观看一区二区| 青草久久国产| 久久久久免费精品人妻一区二区| 精华霜和精华液先用哪个| 这个男人来自地球电影免费观看| 国产精品一区二区免费欧美| 18禁观看日本| 午夜亚洲福利在线播放| 国产精品一区二区免费欧美| 大型黄色视频在线免费观看| 日本a在线网址| 日本一本二区三区精品| 亚洲av成人不卡在线观看播放网| 欧美成人性av电影在线观看| 国产片内射在线| 两个人的视频大全免费| 91av网站免费观看| 国产高清videossex| 日韩欧美 国产精品| 久久人妻福利社区极品人妻图片| 日本在线视频免费播放| 每晚都被弄得嗷嗷叫到高潮| 亚洲七黄色美女视频| 亚洲人成网站高清观看| 精品人妻1区二区| 69av精品久久久久久| 50天的宝宝边吃奶边哭怎么回事| 2021天堂中文幕一二区在线观| 色精品久久人妻99蜜桃| 亚洲 欧美一区二区三区| 亚洲国产精品sss在线观看| 午夜福利视频1000在线观看| 黑人操中国人逼视频| 91麻豆精品激情在线观看国产| 精品熟女少妇八av免费久了| 国产熟女xx| 1024香蕉在线观看| 精品一区二区三区四区五区乱码| av福利片在线观看| 床上黄色一级片| 亚洲avbb在线观看| 999精品在线视频| 在线观看美女被高潮喷水网站 | 欧美日韩乱码在线| 亚洲欧洲精品一区二区精品久久久| 精品电影一区二区在线| 亚洲一码二码三码区别大吗| 成人一区二区视频在线观看| 99re在线观看精品视频| 成年人黄色毛片网站| 欧美 亚洲 国产 日韩一| 亚洲男人天堂网一区| 免费看日本二区| 不卡一级毛片| 最近最新中文字幕大全免费视频| 99热这里只有是精品50| 日韩欧美国产一区二区入口| www.www免费av| 久久久久免费精品人妻一区二区| 国产蜜桃级精品一区二区三区| 免费在线观看成人毛片| 一区二区三区激情视频| videosex国产| 天堂影院成人在线观看| 国产精品影院久久| 嫁个100分男人电影在线观看| 中文资源天堂在线| 免费电影在线观看免费观看| av片东京热男人的天堂| 国产精品久久久久久久电影 | 亚洲专区国产一区二区| 黄色视频,在线免费观看| 久久国产精品人妻蜜桃| 亚洲乱码一区二区免费版| 十八禁人妻一区二区| 中文资源天堂在线| 天堂√8在线中文| 欧洲精品卡2卡3卡4卡5卡区| 精品电影一区二区在线| 午夜福利在线观看吧| 一级毛片精品| 精品国产美女av久久久久小说| 在线看三级毛片| 国产一区二区三区视频了| 日韩av在线大香蕉| 亚洲av中文字字幕乱码综合| 他把我摸到了高潮在线观看| 国产单亲对白刺激| 一区二区三区高清视频在线| 男女视频在线观看网站免费 | 国产亚洲欧美在线一区二区| 99热这里只有精品一区 | 两个人的视频大全免费| 久久精品aⅴ一区二区三区四区| 三级毛片av免费| 亚洲国产高清在线一区二区三| 午夜亚洲福利在线播放| 成人一区二区视频在线观看| 一进一出好大好爽视频| 国产69精品久久久久777片 | 国产三级中文精品| 亚洲色图 男人天堂 中文字幕| 欧美不卡视频在线免费观看 | 欧美 亚洲 国产 日韩一| 国产精品日韩av在线免费观看| 中文字幕最新亚洲高清| 亚洲成人中文字幕在线播放| bbb黄色大片| 亚洲 欧美 日韩 在线 免费| 人成视频在线观看免费观看| 国产午夜精品论理片| 久久久水蜜桃国产精品网| 中文字幕最新亚洲高清| 亚洲国产精品sss在线观看| 国产麻豆成人av免费视频| 亚洲电影在线观看av| 一夜夜www| 看黄色毛片网站| 免费高清视频大片| www.熟女人妻精品国产| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲人与动物交配视频| 亚洲中文字幕日韩| 狠狠狠狠99中文字幕| 日韩欧美国产在线观看| 亚洲 欧美 日韩 在线 免费| 久久精品国产亚洲av香蕉五月| 精品一区二区三区四区五区乱码| 香蕉久久夜色| АⅤ资源中文在线天堂| 国产成人影院久久av| 熟女少妇亚洲综合色aaa.| 国产亚洲精品综合一区在线观看 | 精品不卡国产一区二区三区| 成人高潮视频无遮挡免费网站| 日本黄色视频三级网站网址| 国产精品久久久久久人妻精品电影| 啦啦啦韩国在线观看视频| 他把我摸到了高潮在线观看| 成熟少妇高潮喷水视频| 成人三级黄色视频| 国产成人aa在线观看| 老司机靠b影院| 亚洲五月婷婷丁香| 三级男女做爰猛烈吃奶摸视频| cao死你这个sao货| 国产伦一二天堂av在线观看| 国产午夜精品久久久久久| 久久人妻av系列| 男女做爰动态图高潮gif福利片| 成人国语在线视频| 国产av在哪里看| 中文字幕精品亚洲无线码一区| 亚洲精品在线美女| 中亚洲国语对白在线视频| 色老头精品视频在线观看| 一个人免费在线观看电影 | 超碰成人久久| 久久中文字幕一级| 久久 成人 亚洲| 长腿黑丝高跟| 精品久久久久久久久久免费视频| 久久中文看片网| 国产高清videossex| 久久亚洲精品不卡| 校园春色视频在线观看| 国产精品久久久av美女十八| 夜夜夜夜夜久久久久| av天堂在线播放| 久久久精品国产亚洲av高清涩受| 999久久久国产精品视频| tocl精华| 久久婷婷成人综合色麻豆| 成年人黄色毛片网站| 久久精品91蜜桃| 十八禁人妻一区二区| 亚洲 欧美 日韩 在线 免费| 桃红色精品国产亚洲av| 麻豆成人av在线观看| 国产精品久久久久久人妻精品电影| 婷婷亚洲欧美| 亚洲av熟女| 成人高潮视频无遮挡免费网站| 久久精品国产亚洲av高清一级| 国产精品乱码一区二三区的特点| 免费看美女性在线毛片视频| 欧美日韩国产亚洲二区| 亚洲av电影在线进入| 免费一级毛片在线播放高清视频| 五月玫瑰六月丁香| 午夜精品一区二区三区免费看| 亚洲精品美女久久久久99蜜臀| 欧美最黄视频在线播放免费| 哪里可以看免费的av片| 久久人妻av系列| 哪里可以看免费的av片| 黄色毛片三级朝国网站| 哪里可以看免费的av片| 国产99久久九九免费精品| 国产高清视频在线观看网站| 国产精品电影一区二区三区| av有码第一页| 久久久久久久久中文| 黄色视频,在线免费观看| 香蕉久久夜色| 日本a在线网址| 亚洲一区中文字幕在线| 免费人成视频x8x8入口观看| 亚洲av五月六月丁香网| 69av精品久久久久久| 国产精品99久久99久久久不卡| 日本 欧美在线| 国产视频一区二区在线看| 精品久久久久久久末码| 国产精品1区2区在线观看.| 久久精品91无色码中文字幕| 一二三四在线观看免费中文在| 男插女下体视频免费在线播放| 亚洲精品在线美女| 给我免费播放毛片高清在线观看| 精品国产超薄肉色丝袜足j| 麻豆成人午夜福利视频| 国内少妇人妻偷人精品xxx网站 | 精品无人区乱码1区二区| av中文乱码字幕在线| 在线看三级毛片| 天天躁狠狠躁夜夜躁狠狠躁| 精品日产1卡2卡| 一区福利在线观看| 中文在线观看免费www的网站 | 最近最新中文字幕大全电影3| 18禁国产床啪视频网站| 久久久精品大字幕| 国产一区二区在线av高清观看| 一级毛片高清免费大全| 极品教师在线免费播放| 久久久久免费精品人妻一区二区| 日本a在线网址| 国产精品98久久久久久宅男小说| 色播亚洲综合网| 全区人妻精品视频| 在线观看日韩欧美| 免费看a级黄色片| 国产v大片淫在线免费观看| 日韩精品免费视频一区二区三区| 国产精品永久免费网站| 日本精品一区二区三区蜜桃| 色综合婷婷激情| 日日干狠狠操夜夜爽| 久久国产精品影院| 好男人在线观看高清免费视频| 男人舔奶头视频| 色综合欧美亚洲国产小说| 香蕉av资源在线| 国产在线精品亚洲第一网站| 哪里可以看免费的av片| 黑人操中国人逼视频| 成人午夜高清在线视频| 又紧又爽又黄一区二区| 久久香蕉激情| 国产三级在线视频| 成人亚洲精品av一区二区| 丰满人妻一区二区三区视频av | 日韩成人在线观看一区二区三区| 亚洲欧美精品综合久久99| 国产精品久久久久久精品电影| 精品国产乱子伦一区二区三区| 国产精品爽爽va在线观看网站| 成人国产综合亚洲| 成年人黄色毛片网站| 欧美成人免费av一区二区三区| av国产免费在线观看|