基于MLP神经网络的机场能见度预测模型,本论文为您写神经网络毕业论文范文和职称论文提供相关论文参考文献，可免费下载。
神经网络论文参考文献：
摘 要：文章选取乌鲁木齐机场2007年至2016年10月至次年3月的逐小时观测资料,尝试使用MLP神经网络方法,建立主导能见度的回归预测模型,通过对预测效果检验可以看到,该模型预测主导能见度的平均绝对误差为706m,对小于1000m的主导能见度平均绝对误差为325m,并且该方法能够较好的预测主导能见度的变化趋势,可以为主导能见度的定量客观预报提供参考.
关键词：多层感知器；人工神经网络；能见度；回归预测
中图分类号：V321.2 文献标志码：A 文章编号：2095-2945（2018）18-0001-04
Abstract： In this paper, the hourly observation data of Urumqi Airport from October to next March of the years from 2007 through 2016 are selected and the regression forecasting model of leading visibility is established using MLP neural network method. The erage absolute error of leading visibility is 706 m, and the erage absolute error of dominant visibility is 325 m as regards less than 1000 m. This method can predict the trend of dominant visibility and provide reference for quantitative and objective forecast of leading visibility.
Keywords： multi-layer perceptron； artificial neural network； visibility； regression prediction
1 概述
随着国民经济的快速发展和民航运输的日益普及,机场运行对能见度的依赖日益突出,由雾、霾等天气引起的长时间低能见度天气,会造成机场大范围的航班延误、取消,对航空公司、机场带来巨大损失,也对公众出行造成影響.同时能见度与飞行安全关系密切,低能见度现象也是引发飞行事故最常见的因素之一.乌鲁木齐国际机场作为新疆区域的枢纽机场,承担着新疆区域及中亚地区的航班运行.已有的气候资料统计显示[1,2],乌鲁木齐机场能见度低于1000m的年平均日数为60天,大部分低能见度日数发生在冬半年（11月至次年3月）,可达57天,造成低能见度的天气现象主要为雾和烟.
提高能见度的预报水平是保障机场安全稳定运行的重要措施,目前对于烟、雾等天气造成的低能见度预测,仍然以经验预报和统计预报为主,尽管随着数值预报的发展,现在也有数值释用和雾模式预报,但许多试验记过表明：雾模式仅有一定的机理分析用途,难以进行实际预报,因此对大气能见度的预报研究仍然是近年来气象预报中的一个难点和热点[3-11].MLP作为处理非线性问题的方法,在上世纪80年代的时候曾是相当流行的机器学习方法,拥有广泛的应用场景,譬如语音识别、图像识别、机器翻译等等,但自90年代以来,MLP遇到来自更为简单的支持向量机的强劲竞争.而到2006年以后,由于深度神经网络的快速发展和大规模的应用,具备深层结构的MLP又重新得到了关注.本文尝试利用乌鲁木齐机场近10年逐小时的观测资料,探索人工神经网络在天气预测领域的应用,为气象预报人员提供新的能见度回归预报产品.
2 多层感知器MLP简介
传统的线性统计模型在处理实际问题,如温度预测、图像识别等包含非线性因素的问题,通常是无能威力的.而神经网络通过构建合适的模型,可以描述出输入数据和输出数据间的复杂关系,而它的强大之处在于这种关系可以是线性的,也可以是非线性的.
MLP（Multilayer Perceptron）,即多层感知器,是一种常见的神经网络模型,它是一种有监督学习模型,在训练它的过程中我们需要给它提供完整的输入、输出,模型基于一定长度的历史数据,不断训练、学习,构建出输入和我们期望的输出之间的最优模型,而后利用这个最优模型来进行预测.图1就是三层MLP网络的的示意图,MLP可以被看做是一个有向图,由多个节点层组成,每一层全连接到下一层.除了输入节点,每个节点都是一个带有非线性激活函数的神经元（或称处理单元）.MLP是感知器的推广,克服了感知器不能对线性不可分数据进行识别的弱点.
3 预测模型的建立
3.1 资料预处理
本文使用乌鲁木齐机场2007年至2016年10月至次年3月的每天24小时观测资料,包含逐小时的主导能见度、温度、露点温度、相对湿度、平均风向和平均风速,通过整理和数据质量控制,共得到43752条数据记录,由于各因子由不同的气象要素组成,为了避免各个因子之间的量级差异,在作为人工神经网络的输入因子前,需要对其进行归一化处理,使其数值限定在[0,1]之间,具体算法见公式1.
data等于（data-min（data））/（max（data）-min（data））（1）
3.2 预报因子的筛选
对于时间序列的回归预测,最简单的方法就是构建基于历史数据的非线性函数,结合对主导能见度的预测,我们构建两种类型的因子：第一类预报因子仅包含过去时次的主导能见度（Vis）,具体见公式2；由于主导能见度与风、温度、相对湿度等要素也有一定的关联,故构建第二类预报因子不仅包含过去时次的主导能见度,还包括过去时次的温度（T）、露点温度（TD）、相对湿度（RH）、风向（WD）和风速（WS）,具体见公式3.
结论：适合不知如何写神经网络方面的相关专业大学硕士和本科毕业论文以及关于神经网络论文开题报告范文和相关职称论文写作参考文献资料下载。
基于BP神经网络甘肃入境旅游预测分析
摘要：本文运用BP神经网络模型，用入境旅游收入和入境过夜旅游人数两个指标预测2016-2020年甘肃入境旅游的发展趋势。预测结果表明甘肃入境旅游。
基于遗传算法和RBF神经网络核电厂安全管理评价模型
中图分类号：F273 文献标识：A 文章编号：1674-1145（2017）03-000-02摘 要 遗传算法具有很强的全局搜索能力，但是容易。
基于季节性ＲＢＦ神经网络月度市场需求预测
摘要：本文提出一种季节性神经网络预测模型，对具有季节性变化的产品月度市场需求进行预测。在Matlab语言环境下，用傅立叶周期分析法得到时间序列的。
基于MATLAB动态神经网络进行时间序列预测房地产价格
摘 要：文章以MATLAB动态神经网络为前提，采用时间序列预测方法进行房地产价格预测。采用全国平均房地产价格为基础样本，利用训练样本和基础样本。