Download miễn phí Thử nghiệm dự báo lượng mưa ngày bằng phương pháp dùng mạng thần kinh nhân tạo hiệu chỉnh sản phẩm mô hình số
- Số liệu bao gồm các giátrị lượng mưa ngày dự báo trước 24h bởi mô hình HRM
với độ phân giải ngang 14km và 31 mực thẳng đứng, được nội suy về 314 trạm trên khu
vực Việt Nam và lượng mưa quan trắc tại các trạm đó trong thời gian từtháng 6 đến
tháng 8 năm 2004.
- Hai tập số liệu này được xử lý loại bỏ những ngày không đủ số liệu quan trắc
hay dự báo. Sau khi luyện mạng xong sẽ phụchồi các vị trí thiếu giá trị bằng –9999 và
đánh giá chất lượng dự báo theo các chỉ số, chủ yếu là lượngmưa trung bình ngày, sai
số trung bình toàn phương (RMSE), sai số hệ thống (BIAS) và độ lệch tuyệt đối trung
bình (MAE) cho từng trạm, từng vùng (Bắc Bộ, Trung Bộ, Nam Bộ) và toàn bộ Việt
Nam.
Để tải bản Đầy Đủ của tài liệu, xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí
Tóm tắt nội dung tài liệu:
Tạp chí Khoa học đhqghn, KHTN & CN, T.xxII, Số 1PT., 2006Thử nghiệm dự báo l−ợng m−a ngày bằng ph−ơng pháp
dùng mạng thần kinh nhân tạo hiệu chỉnh sản phẩm
mô hình số
Hồ Thị Minh Hà, Nguyễn H−ớng Điền
Khoa Khí t−ợng-Thuỷ văn và Hải d−ơng học
Tr−ờng Đại học Khoa học Tự nhiên, ĐHQG Hà Nội
1. Mở đầu
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. Có thể
kể ra một số công trình nghiên cứu đã sử dụng MTKNT nh− dự báo giáng thuỷ hạn dài
ở California, mô hình hoá ôzôn, dự báo m−a đá nguy hiểm, dự báo giáng thủy hạn
ngắn,... Tuy nhiên, trong n−ớc mới chỉ có rất ít các nghiên cứu về lĩnh vực này và ch−a
có công trình nào đ−ợc áp dụng vào thực tiễn. ở đây chúng tui sử dụng MTKNT để thử
nghiệm hiệu chỉnh sản phẩm của mô hình số, cụ thể là l−ợng m−a của mô hình phân
giải cao HRM, theo số liệu quan trắc trong 3 tháng mùa m−a (6, 7, 8) năm 2004 nhằm
nâng cao chất l−ợng của sản phẩm dự báo số. Tr−ớc hết ta sẽ xem xét cấu trúc và hoạt
động của một mạng thần kinh đơn giản cũng nh− ph−ơng pháp học giảm gradient của
MTKNT, sau đó sẽ tiến hành hiệu chỉnh sản phẩm của mô hình số và đánh giá kết quả.
2. Khái niệm về MTKNT và ph−ơng pháp học giảm gradient
2.1. Cấu trúc và hoạt động của MTKNT
Tổng có
trọng số của
các giá trị
đầu vào
Giá trị đầu vào 1
Giá trị đầu vào n
Hàm truyền
(a) (b)
Hình 1. Sơ đồ mạng thần kinh sinh học (a) và cấu trúc của MTKNT một nút ẩn (b).
- Mạng thần kinh sinh học bao gồm nhánh thần kinh (dendrites), tế bào thần
kinh (cell body), trục thần kinh (axon) và các xung thần kinh (electrical spike) t−ơng
ứng với 3 phần chính bao gồm đầu vào, lớp ẩn và kết xuất của MTKNT.
1
Hồ Thị Minh Hà, Nguyễn H−ớng Điền 2
- Đầu vào của MTKNT bao gồm N giá trị xi và các trọng số t−ơng ứng. Kết quả
lấy tổng có trọng số của các x
ija
i sẽ đ−ợc nhập vào lớp ẩn :
1
n
j o i
i
u a x a
=
= + ij∑ (1)
- Lớp ẩn bao gồm hàm truyền, có thể là hàm sigma, hàm tang-hypebol,…Ng−ời ta
th−ờng sử dụng hàm sigma có dạng:
( ) ( )
1
1 exp
x
x
σ = (2) + −
Thay giá trị của u vào hàm truyền sẽ đ−ợc đầu ra của lớp ẩn, ký hiệu là yj j (j=1,.., H).
- Các giá trị đầu ra của lớp ẩn là đầu vào của kết xuất, thực hiện t−ơng tự nh− đối
với lớp ẩn đ−ợc giá trị kết xuất, ký hiệu là zk (k = 1,.., K).
- Kết xuất đích mà ta muốn mạng học đ−ợc là các giá trị tk (k = 1,.., m).
xi ∑
=
+=
n
i
ijioj axau
1
( )jj uy σ= yj ∑
=
+=
h
j
jkjok bybz
1
jkbija
Hình 2. Quá trình lan truyền tiến
- Một quá trình đi từ đầu vào, qua lớp ẩn và đến kết xuất là một quá trình lan
truyền tiến (feed-forward) của mạng (Hình 2). Quá trình này cũng t−ơng tự nh− quá
trình nhận, xử lý thông tin và truyền thông tin đến não bộ của một tế bào thần kinh
sinh học.
2.2. Ph−ơng pháp học giảm gradient (giảm dốc nhất)
Bản chất của ph−ơng pháp này là cực tiểu hoá hàm lỗi (sai số trung bình bình
ph−ơng) giữa kết xuất zk và kết xuất đích tk . Hàm lỗi E là hàm của trọng số:
( ) ( )∑
=
−=
m
k
kk ztE
1
2
2
1ωr (3)
với ωr là vectơ các trọng số, ứng với mỗi vectơ ωr ta có một giá trị sai số và các giá trị
này lập thành một mặt lỗi trong không gian. Để dễ hình dung ta giả sử có 2 trọng số w1
và w2 và ta có thể biểu diễn hàm E là một mặt lỗi theo 2 biến này.
Hình 3. Mặt lỗi w1
w2
E
Thử nghiệm dự báo l−ợng m−a ngày bằng ph−ơng pháp... 3
Mục tiêu của mạng là tìm đ−ợc điểm trũng nhất trên mặt lỗi, nơi đó zk và tk gần
nhau nhất. Ban đầu, khi chọn một cặp trọng số bất kỳ ta đ−ợc một điểm trên mặt lỗi và
mạng phải đi theo một đ−ờng nào đó để tìm đ−ợc điểm trũng nhất. H−ớng đi của mạng
qua từng b−ớc là h−ớng làm giảm sai số của b−ớc tr−ớc nó.
Biểu diễn toán học của quá trình cực tiểu hoá sai số đ−ợc trình bày d−ới dây.
Thiết kế một MTKNT gồm đầu vào bao gồm n mẫu, mỗi mẫu gồm các giá trị input xi
(i=1..N), lớp ẩn gồm các nút yj (j=1..H) và kết xuất là các giá trị đích tk (k=1..K). Ký hiệu
lại hàm truyền sigma là g(x):
( ) ( )xxg −+= exp1
1
(4)
x1
x2
…
xN
a0
a11
a22
a1H
aN2
y1
y2
…
yH
b0
b11
b21
b1K bH1
b2k
…
u1
u2
…
uH
v1
…
vK
z1
…
…
zK
t1
…
…
tK
g(uj) g(vk)
Đ ầ u v à o Lớp ẩ n đ ầ u r a đ íc h
Hình 4: Các thành phần chủ yếu của một mẫu của MTKNT.
Đối với mỗi mẫu, tr−ớc hết ta tính tổng trọng số các giá trị đầu vào:
(5) ∑
=
+=
N
i
iijj xaau
1
0 .
Hàm truyền sigma đ−ợc áp dụng cho lớp ẩn:
( )jjj uugy −
1
+== exp1)(
)
(6)
Lấy tổng trọng số các nút ẩn yj :
(7) ∑
=
+=
H
j
jjkkk ybbv
1
0 .
áp dụng hàm truyền sigma cho lớp xuất:
( kkk vvgz −+== exp1
1)( (8)
B−ớc (8) đ−ợc thực hiện nếu nh− giá trị đích là biến nhị phân. Nếu là các giá trị
thực thì zk đ−ợc gán trực tiếp bằng vk t−ơng ứng.
Sai số tổng cộng của mỗi mẫu là:
Hồ Thị Minh Hà, Nguyễn H−ớng Điền 4
∑
=
−=
K
k
kk tzE
1
2)(
2
1
(9)
Để sai số này đạt cực tiểu thì đạo hàm của E theo các trọng số phải tiến dần đến 0.
Ta tính đạo hàm riêng của E theo từng trọng số. Tr−ớc hết là theo trọng số của
lớp xuất:
jk
k
k
k
kjk b
v
v
z
z
E
b
E
∂
∂
∂
∂
∂
∂=∂
∂ .. , (10)
trong đó kk
k
tz
z
E −=∂
∂
(11)
)1.( kk
k
k zz
v
z −=∂
∂
(12)
và j
jk
k y
b
v =∂
∂
(13)
Khi đó: )).(1.(. kkkkj
jk
tzzzy
b
E −−=∂
∂⇒ (14)
Đặt: )).(1.( kkkkk tzzzp −−= (15)
Vậy kj
jk
py
b
E .=∂
∂⇒ (16)
Tiếp theo là đạo hàm theo trọng số của lớp ẩn:
ij
i
i
j
K
k jk
k
k
k
kij
i
i
j
jij a
u
u
y
b
v
v
z
z
E
a
u
u
y
y
E
a
E
∂
∂
∂
∂
⎟⎟⎠
⎞
⎜⎜⎝
⎛
∂
∂
∂
∂
∂
∂=∂
∂
∂
∂
∂
∂=∂
∂ ∑
=
......
1
(17)
Sử dụng ph−ơng trình (16) ta đ−ợc:
ij
i
i
j
K
k
jkk
ij a
u
u
y
bp
a
E
∂
∂
∂
∂⎟⎠
⎞⎜⎝
⎛=∂
∂ ∑
=
...
1
, (18)
trong đó )1.( jj
i
j yy
u
y −=∂
∂
(19)
và i
ij
i x
a
u =∂
∂
(20)
Vậy ijj
K
k
jkk
ij
xyybp
a
E ).1.(.
1
−⎟⎠
⎞⎜⎝
⎛=∂
∂⇒ ∑
=
(21)
Thử nghiệm dự báo l−ợng m−a ngày bằng ph−ơng pháp... 5
Nếu g(x) là hàm hybepol hay tang hypebol thì đạo hàm của E theo các trọng số sẽ
khác.
Các trọng số aij và bjk đ−ợc cập nhật sao cho gradient tổng cộng của sai số theo
mọi trọng số trên tất cả các mẫu giảm đi. Gọi d là tổng gradient sai số theo mọi trọng số
(ký hiệu chung là ω ) của b−ớc tr−ớc nó:
i
n
i
Ed ∑
=
⎟⎠
⎞⎜⎝
⎛
ω∂
∂=
1
(22)
với /∂ ∂ωE là đạo hàm riêng tổng cộng của E theo trọng số của mẫu thứ i, n là số l−ợng
mẫu. H−ớng giảm dốc nhất là h−ớng ng−ợc lại của h−ớng d. Nh− vậy, mỗi trọng số sau
một b−ớc sẽ đ−ợc cập n...