针对模块化模糊神经网络(MFNN)的门网络普遍采用模糊C均值聚类算法(FCM)聚类,聚类过程没有对样本的特征进行优化的缺陷,首先尝试用模糊核聚类算法(FKCA)替代FCM算法聚类,建立一种新的模糊核聚类的模块化模糊神经网络模型(FKCA-MFNN);研究中进一步发现,由于FKCA算法没有考虑类别规模对聚类效果的影响,因而当数据集中类别规模差别很大时聚类效果仍不够理想,提出两阶段加权模糊核聚类算法(2-WFKCA)。该算法定义了一个新的目标函数,引入动态权值,并采用传统的FCM算法粗聚类的结果作为初始化。因此,将2-WFKCA算法替代FCM算法聚类,建立一种两阶段加权模糊核聚类的模块化模糊神经网络预报模型(2-WFKCA-MFNN),可提高整个MFNN系统的性能。论文取广西西南部6月25个气象站逐日平均降水量为预报对象,以2003至2006年6月(共115天)中国气象局的T213模式和日本细网格降水模式48小时预报场等数值预报产品资料为基础,应用上述2种改进的MFNN模型对2007年6月广西西南部进行逐日平均降水预报建模方法研究。在两种改进的MFNN降水预报模型建模过程中,首先通过对2003至2006年6月数值预报产品场与预报对象进行场相关普查,得到广西西南部25站逐日平均降水量的预报因子共66个(T213因子65个,日本降水预报格点因子1个)。考虑到如此众多的预报因子直接作为神经网络模型的输入节点,会使神经网络的结构很大,不仅导致网络训练时间过长,更重要的是一些预报因子之间存在的高相关性和因子本身的噪声影响,都会直接影响神经网络预报模型的预报效果。对此,论文采用偏最小二乘回归方法(PLS)提取数量较少且代表性较强的几个成分因子来构造模块化模糊神经网络输入矩阵。在实际计算中,采用PLS方法对65个T213因子作逐次PLS计算,并提取了3个成分因子,结合1个日本格点预报因子共4个预报因子作为模型输入,建立了2-WFKCA-MFNN降水预报模型,并利用该预报模型对2007年6月广西西南部逐日降水量进行实际降水预报试验。结果表明,该预报模型对6月份30天的逐日降水预报平均绝对误差为5.744mm。在相同的模型输入下,建立FKCA-MFNN模型和FCM-MFNN模型,独立样本预报平均绝对误差分别为6.049mm、6.165mm。对比分析可以看出,2-WFKCA-MFNN模型的预报结果稳定,并且比FKCA-MFNN模型、FCM-MFNN模型的预报精度分别提高5.31%、7.33%。为提高2-WFKCA-MFNN模型的预报能力,论文进一步研究了对输入因子采用模糊化因子处理方法。模糊化方法的主要思想是,通过对事物整体上或是细节上的处理,进而模糊化事物之间的差别,提高事物的适应性。将这一原理运用到MFNN,可以模糊化建模样本与独立样本之间的差别,扩大样本的适应范围,提高MFNN的泛化性能。对上述4个预报因子模糊化处理后作为模型输入,在相同的建模样本和模型参数下,建立了模糊化-2-WFKCA-MFNN模型,对2007年6月广西西南部逐日降水量进行实际降水预报建模,独立样本预报平均绝对误差为5.726mm。结果表明,模糊化-2-WFKCA-MFNN模型的预报效果与2-WFKCA-MFNN模型相当,但这两种模型的预报效果均比FKCA-MFNN模型、FCM-MFNN模型都要好,其中模糊化-2-WFKCA-MFNN模型比FKCA-MFNN模型、FCM-MFNN模型预报精度分别提高5.64%、7.67%。为了客观分析论文提出的改进的MFNN与常规气象预报方法的性能差异,进一步将改进的MFNN模型与传统的逐步回归方法进行了预报的对比试验,试验中所采用的预报因子与上述方法所依据的初选预报因子群完全一致。为了保证对比的合理性,试验通过对F值的控制,在预报因子数和建模样本完全相同的情况下,逐步回归预报方程对2007年6月30天降水的独立样本预报平均绝对误差为8.361mm。相比之下,逐步回归方法预报误差要明显大于2-WFKCA-MFNN模型、模糊化-2-WFKCA-MFNN模型及FKCA-MFNN模型的预报误差,这3种模型的预报精度比逐步回归方法分别提高45.56%、46.02%、38.22%。这主要是因为逐步回归方法在建模时只考虑对回归模型有显著性影响的预报因子,没有考虑预报因子之间的多重共线性相关关系等问题,从而影响了预报模型的预报能力;另一方面由于逐日的降水量变化受到大气内部和大气外部环境条件的综合影响,具有明显的非线性变化特点,而逐步回归方法是属于线性统计预报建模方法,不能反映预报因子与预报量之间的非线性关系,最终导致预报精度明显低于2-WFKCA-MFNN模型、模糊化-2-WFKCA-MFNN模型及FKCA-MFNN模型的预报精度。综合以上分析结果,论文提出将两阶段加权模糊核聚类算法(2-WFKCA)替代FCM算法聚类,建立2-WFKCA-MFNN模型,可显著提高整个MFNN系统的性能,更好地适应现实应用中的实际问题。由于与大气学科的降水预报一样,在实际的水文,交通,电力负荷,经济和地质灾害等许多预测应用研究方面,也都会遇到采用传统的FCM算法进行聚类分析的问题。2-WFKCA算法为提高MFNN模型的预报精度提供了新的思路,具有很好的应用推广前景。从本文的研究结果表明,合理选择聚类方法对提高MFNN预报模型的预测精度是十分有效的。