神经网络算法及对未来一月的天气状况预测

　　随着我国计算机与互联网技术的不断发展，我国各大行业智能化的进程得以不断的加快，特别是在进入2019年以后，我国气象监测行业的发展正在逐渐向外国的最好的产品靠拢，使得我国各个行业中的测量技术得到了不错的改进。计算机软件技术与网络技术的发展使得，越来越多基于计算机技术与网络技术的软件系统得以被应用到我们的日常生活和工作中去。可以说在信息化如此发展的今天，气象监测已经对我们的日常生活带来了不可思议的变化，同时它对机械的生产，工厂的测量的进程起到了不可磨灭的作用，人们在经历了气象监测所带来的优质生产和生活后，想再次回到过去糟糕的测量模式下是不可能的。软件信息管理系统被应用到各行各业中，不仅因为它有着各项专业化的测量方法，同时它基于较高计算精度与速率的硬件设备，可以满足更高的计算要求[1]。在有关技术的强大支撑下，我国数据管理模式逐步从人工向信息化管理迭代发展，借助计算机软件系统不仅可以实现对数据的检测、统计、计算、维护等操作，还能够通过诸多的可视化界面对信息数据有更加直观的感受。进入2020年，我们应更好的利用计算机技术为我们的生产生活所服务，设计出更多优质、高效、全面的气象监测，让科技改善人们的生活质量。伴随着当代的大数据，让测量的方式会更加的方便，其安全性也较之人力更加的高，比如工厂的生产系统，时刻检测每一个零件的精确尺寸，让使用者通过手机、遥控器、路由器来控制，发出对应指令来完成复杂的事情，中间的具体操作封装，所以操作十分简单，大部分人都能够很快理解上手，并且家具产生的隐患都能够精确反映给人们，将人们从人力管理的方式中解放出来，这是目前人们非常需要的。

　　从1984年气象监测的概念出现以来，世界各国都认可这一理念能带来巨大的财富，而一个完整的气象监测系统需要网络通讯、嵌入式、计算机编程这些技术，而我国落后于世界很多年，所以在1990年后才引入气象监测这个先进的概念，中国企业发现了商机，开始涉猎气象监测行业。虽然中国研发气象监测的起步时间晚，但是在互联网的兴起过程中迎来爆发式的进步，国家政策也对气象监测系统优待很多，目前其已经在国际市场有了一席之地[2]。

　　气象监测中负责电力的系统内部有着专门的区域负责存储，而其中气象监测便是参与整个存储过程的重要部件之一，它不仅负责连接储存能源的设备，还可以连接直流电路的所有线路，除了可以连接设备和母钱之外，这款气象监测所能做的可以将存储起来的电能给释放到其他线路上，在需要的时候将获得的能源给储存在内部。所以这款负责这么多项功能的气象监测与微电网的运行情况是成正比例关系的，也就是说气象监测的输出能力越厉害，那么微电网的整体效率也会因此大大的提高，而一个无法承受长期电力辐射的转换器将会因为这种环节缩短工作寿命，并且还会影响到气象监测的工作能力，最终导致微电网不再能够稳定的运行，最终破坏了微电网的经济收益。所以面对传统的气象监测所具有的低效率和短寿命的现象和功率输出密度不一致的缺点，本次所设计出来的气象监测不仅抗老化，还有着更高的输出和输入能力，这代表着整体的转换速度大幅度上升，最终给老板带来的便是巨大的经济效益。

　　而经过长时间整理的资料，我们不难发现过去的气象监测缺少了一套完整而系统的理论，所以本次的刘俊文将对专门应用于微电网的气象监测进行条理清晰的论述：本文先从工作的模式来比较气象监测模式和交错并联的优缺点，再在通过它们不同的控制手段来证明气象监测才是更合适微电网的首选之择；然后将从信号采用怎样的采集模式，以及数字调控等方面进行设计，然后对输出输入的控制电路进行检测优化，当然还有重要的通信方面需要控制；在第一环节分析了两者之间的控制手段不同之后，选择了气象监测，并根据所分析的数据设计一台功率在10kW以上的机器，并在此基础上配置好一个类似微电网的电路，然后在这样的电路上测试这台10kW的样机，多次测试后发现结果都是远远高于本次的设计要求的，因此本次的实验能够确认任务书所描述的理论是基本无误的。

　　气象监测作为负责存储的核心元件之一，其最主要的作用便是保证电压的稳定，而电压会因为实际情况而被不同的因素所影响，并不是每时每刻都能够有着恒定而较高的功率的，比如说大量的风力发电都会因为风力的强弱而改变，发电机的实际输出功率随着风力的减弱而下降，随着风力的增强而上升；而我们日常生活中常用的光伏发电也是一样的情况，会因为乌云等障碍物的飘过或遮挡而降低发电总量，因为环境因素影响到了工作效率，而如今所提倡的新能源发电总是会因为各种各样的因素而无法满足大部分用户的需求，而新能源的形式千姿百态，除了基本的光照，风力这些以外，还有沼气等新能源并入到了电网体系，目前我们将新能源替换煤炭等旧能源的过程中，不可避免的带来了一些不稳定的结果，这些不稳定的因素长期下极大的破坏了以往稳定的电网，并且这样的结果违背了新能源高效替换的本质。所以气象监测作为其两者之间的介质，即便这些新能源供能的时间和强度并不是统一而稳定的，但是只要新能源产生了电力，那么气象监测就能够将这些能源给暂时的存储起来，提供满足用户日常生活所需的电量并把额外剩下的电量作为后方以防万一的储备，这样的设定即便面对用户需求突然增加或者停电等特殊情况也能做到游刃有余的地步。

　　气象监测如此卓越的性能使它不仅在微电网中担当重任，还对大部分的燃料电池设备起到了很好的保护作用，因为燃料电池是目前推出的绿色无污染的新来源，相对来说因为其复杂的结构而导致研发和建造成本直线上升，如此昂贵的设备必须用更加合适的交换器才可以保证稳定工作，所以气象监测在此时便起到了良好的保护效果，它比一般的交换器能更好的保护燃料电池，即便电流在某一时刻变大也能保证膜电极不会因为过低的电压而被破坏，所以电池内的气体也不会泄露出来，目前的燃料电池因为气象监测而极大的延长了工作寿命。

　　而气象监测目前还被应用到我们常见的产品中，最常见的便是我们的电动汽车这一块，在倡导绿色无污染的现代理念中，如何减少石油使用的需求让电动汽车这一种类型诞生了，因为电动汽车顾名思义就是通过电池驱动的汽车，所以并不会需要石油，也就不会产生大量的尾气，虽然想法颇为现金，但是电池上面的问题一直没有被完全解决，目前市场上的品牌电瓶汽车依旧无法匹敌传统汽车的行驶速度和距离，而气象监测的利用就能够在一定程度上提高电池的利用率。除了电瓶汽车这些日常品以外，制造业和大量加工业的昂贵设备其实也需要UPS系统，而UPS的核心其实也使用了气象监测这种稳定的设定。

　　自气象监测这一概念的产生，到中国开始知晓这一理念时，已经过去了六年以上，因此我们得承认，国外的功能范围，技术核心，先进理念都是远远超过国内的现状的。具有代表性的国家便是欧美，不仅气象监测的研发时间很早，而且到目前为止技术上已经趋向于完美，并且在日产生活中的普及很到位，所以目前的气象监测现状基本都是采用气象监测为核心。

　　在几年前的统计资料中，世界各地大型的气象监测厂家就已经有两百多个，这些厂家生产的种类也有四百多种，四百多种类型应用于生活大大小小的面，由此可以看出外国的气象监测普遍率十分的高。把这些厂家按位置，影响力，销售率进行分类的话，可以分为X生产、欧美生产以及日本生产。这三类生产都有自己的核心竞争力，比方说日本的生产产品大部分都是结构紧靠，因此具有很小巧的外观，这样的设计占据了设备更小的空间，与此同时它的价格相对于欧美更加的低廉；X生产的产品价格虽然说这三类中最贵的，但也是产品质量最优秀的，因此这样也避免了电动车的核心单片机被一方垄断，各自的竞争促进了产品的更新优化，是非常积极的。

　　因为国外生产气象监测的厂规模逐渐庞大，自1990年开始，国家便制定并不断调整了气象监测的生产标准、管理方法。我国虽然在外国发展成熟的时候才可以研发气象监测，即便之间差距了十几年的技术、理念、经验，但是我国国力强盛，人才辈出，在互联网的推动下已经逐步追上了欧美的脚步，师夷长技，技术也在飞速的提升，某些方面已经达到世界领先水平。我国的著名学者们写了很多关于气象监测的书籍，其中王兵的书上提到气象监测目前已经成为了气象监测，这种机电一体化的气象监测有着其他方式所不具有的优点。随后对目前气象监测存在的技术问题，构思理念进行分析论证，这本书描述的设计更加的节约能源，整体架构十分的安全稳定。

　　第一章，绪论。本章节先是介绍了本系统在当下时代的地位，背景。随后对本系统开发出来对于社会的意义，究竟是怎么帮助改善的，在1.2节阐述了当下这款系统在世界上研究的具体情况，近年来的发展简史以及未来这套系统的实际意义和发展前景，并举例一些国外成熟产品进行讲解，指出它们的优异之处和一些需要摒弃的部分，以及这些对本文设计思路的影响；

　　第二章，神经网络方法的选取和分析，以及使用的关键技术讲解。硬件设计部分主要介绍了本设计的设计思路，设计方案，以及一些电子元器件的选型等，通过本章具体分析本设计的要求；在开发数据采集系统的时候，对其所选用的单片机控制单元、温湿度传感器的选用等，都做了充分的阐述；

　　第三章，对各项数据的预处理进行了分析，要对上述的选用的通过对本设计电路图的详解，了解硬件电路的具体的设计过程；使用的是AD软件对系统的各个模块的电路图进行了分析和设计，从而达到了对系统在整体进行设计的目的；

　　第四章，系统各项功能的测试改善和成品展示，即展现了本系统的和下位机协同工作的时候的场景，并对相关场景的发生现象进行了说明，重点展示了上位机接收模块示意图；

　　第五章是本设计的总结，对本次设计过程中，所遇到的问题进行总结，并得出相关的结论。

　　2.1.1神经网络结构

　　从本质上来讲，BP神经网络也是一种前馈神经网络。最简单的前馈神经网络就是感知器。感知器的结构设计来自生物学中的神经元，神经元如图2-1所示：

　　图2-1神经元

　　BP神经网络是一个多层感知器，只不过更加关注方向参数的调整。BP神经网络除输入与输出层外的中间层成为隐含层。单个感知器无法解决非线性问题。BP神经网络解决非线性问题的方法是采用激活函数[9]。激活函数在0到1之间，满足这些条件的函数有很多，常见的如Sigmoid函数、tanh函数、Re LU函数等。

　　下图是拥有两个隐含层的BP神经网络结构图，如图2-1所示：

　　图2-2 BP神经网络结构图

　　神经元的功能可简单总结为以下几个方面：

　　（1）自适应性。

　　（2）时空整合功能。

　　（3）神经元具有两种不同的状态。

　　（4）电位与脉冲转换。

　　（5）突触的延时和不应期。

　　2.1.2隐藏层包含单元数设计

　　如果隐藏层节点数目过少，那么该浅层神经网络的表达能力会很差，或者出现网络不强壮的情况，得到的模型容错性比较低，不鲁棒，但如果隐藏层的节点数目太多又很可能导致网络训练所需要的时间成本变高[10]，下面就介绍本文参照的以下几个经验公式：

　　（2-1）

　　（2-2）

　　（2-3）

　　以上公式中，P表示样本数量，H表示隐藏层的节点数，I表示输入层的节点数，J表示输出层的节点数，k是一个1-10之间的整常数。

　　2.1.3初始权值的选择

　　对于一个浅层神经网络而言，网络最初的权值的选择对于网络训练能否收敛有着极大的影响，在本文对浅层神经网络的实验中利用公式：

　　（2-4）

　　用以更新权值。上式中的η是学习率，为动态向量参数。从上式可以看出，较大的η值可能会有一个较为快速的训练的过程，但也有可能造成训练精度的上下波动，结果错过最优解。

　　通常情况下使用BP神经网络算法时，往往一次迭代采用多组数据，也就是批量训练方式，一次采用数据的组数是根据计算机能承载的负载量来定。一般采用2的n次幂。采用批量训练方式带来的好处就是容易实现并行化，所以能大大提高学习速度。但是，批量训练方式需要较高的机器性能，因此对于小规模的数据集时常采用串行训练方式。

　　

　　随着人工智能与大数据的兴起，很多的编程工具以及其他相关语言的工具箱也在不断地更新之中[11]。

　　表2-1与BP网络有关的函数

　　函数名称功能

　　logsig Log-Sigmoid函数

　　tansig Tan-Sigmoid函数

　　newff创建一个BP网络

　　Feedforwardnet创建一个BP网络（推荐使用）

　　Newcf创建级联的前向神经网络

　　Cascadeforwardnet创建级联的前向神经网络（推荐使用）

　　Newfftd创建前馈输入延迟的BP网络

　　对于数据清理，可以使用以下的几种方法：当遇到特殊情况时，比如说，如果数据里有例如多云，阴之类，文字类的数据时，可以将其转换成数字的数据格式，而当遇上一个极端数值，比如温度超过50度或者低于零下30度时，可以把它换成它之前或之后的两个值的平均值或者是某一时间区间的平均值；。在这个毕业项目中，数据清理是用Python完成的。

　　如图3-1所示，部分原始消息中的某些天气数据已经过代码转换，格式处理和其他清理过程。右图是处理后的信息摘要。可以看出，所有属性元素的所有数据类型都是相对干净的，最大值和最小值在正常值范围内。特别是在本文中测量了某些值，例如，温度值300表示30°C，风速30表示3m/s风。

　　图3-1部分气象数据资料转换清洗后的统计信息

　　为了解决诸如由于数据量过多引起的计算效率之类的问题，有必要对数据进行一定的统一处理。如果在训练过程中未对数据进行预处理，则必须对原始数据进行规范化处理，否则将导致例如计算失败，计算机系统负载增加或模型不收敛的问题。标准化通常与权重的初始化相互作用，以允许在每种算法的开始和结束时执行压缩行为，从而生成非标准化的数据格式以获得所需的结果。

　　所以，数据标准化可以提高存储能力，同时提高计算性能。同样数据还受维度影响。作为非线性导数的函数的梯度将始终为非零。

　　接下来是本次毕业设计中所用到的数据标准化的处理和算法实现的步骤

　　（1）最小最大值标准化

　　最小最大值标准化（Min-Max标准化）也称离差标准化，将数据处理成0到一之间的合理范畴内。转换函数定义为：

　　（3-1）

　　其中：

　　MIN(X)——为序列数据样本里的最小值；

　　在实际应用中，对MIN-MAX函数算法实现如下(见表3-1)：

　　表3-1 MIN-MAX算法实现

　　输入：数据集dataSet

　　输出：转换后的数据集normDataSet，以及中间差值ranges，最小值minVals，

　　用于反标准化计算

　　1 function minMax(dataset):

　　2 minVals=dataSet.min(0)

　　3 maxVals=dataSet.max(0)

　　4 ranges=maxVals-minVals

　　5 normDataSet=zeros(shape(dataset))#初始化normDataSet值

　　6 m=dataSet.shape[0]

　　7 normDataSet=dataSet–tile(minVals,(m,1))#对每个x操作

　　8 normDataSet=normDataSet/tile(ranges,(m,1))#求得Y(x)

　　9 return normDataSet,ranges,minVals

　　一般来说，在数据是离散的，而且数据的最大最小值偏离常态的情况中，Min-Max标准化的应用比较广泛，处理后的数据将遵循（0，1）标准正态分布。通常来说我们会给出以下定义：

　　（3-2）

　　其中：𝑦̅是所有元素的平均值

　　𝜎是所有元素的标准差。

　　表3-2 Z-score标准化函数实现

　　输入：数据集train_toltal_data

　　输出：数据集normDataSet，以及样本均值，标准差，用于反标准化计算

　　1 function z-Score(data)

　　2 mean_train=np.mean(data,axis=0)#求每列均值μ

　　3 std_train=np.std(data,axis=0)#求每列标准差σ

　　4 normDataSet=(data-mean_train)/std_train#按公式进行计算

　　5 return normDataSet,mean_train,std_train

　　本次具体的实验环境配置为：

　　操作系统：Windows

　　数据库：My SQL

　　应用服务器：腾讯云

　　硬件环境：CPU为Inter四核、网络100M、存储器应采用SCSI高速硬盘且容量应大于300G，数据备份可采用磁盘阵列Raid5（非最低配置环境）。

　　基于RBF神经网络的天气预测模型的具体预测流程如图4-1所示：

　　图4-1神经网络预测流程

　　表4-1某地2013年天气数据（部分）

　　2013-02-01 19 2晴微风小于3级

　　2013-02-02 17 4多云微风小于3级

　　2013-02-03 18 5多云微风小于3级

　　2013-02-04 19 4多云转晴微风小于3级

　　2013-02-05 21 4晴微风小于3级

　　2013-02-06 23 6晴微风小于3级

　　2013-02-07 24 4晴微风小于3级

　　2013-02-08 23 8晴微风小于3级

　　2013-02-09 23 6多云微风~西南风小于3级~3-4级

　　2013-02-10 23 4晴微风小于3级

　　如表4-1，是利用python软件搜集的某地2013年的部分天气数据，混杂的原始数据包括不同的数字，字符串等，不利于进行计算，所以需要对这些数据进行清洗，标准化。

　　在将获取的数据放到BP神经网络进行训练前，需将获取到的输入因子映射到[0,1]之间，转换函数如式（4-1）所示：

　　（4-1）

　　其中，是里第i个值，是样本数据第i个值，xmin、xmax分别是样本数据的最小值和最大值。

　　由于天气不是每天固定的，可能一天出现多种天气，以及一种主要天气，如小雨，附带有另一种天气，如雨夹雪，这会给数据使用带来极大的不便，所以为了方便，现将天气状态简化，如表4-2

　　表4-2天气状态标准表

　　编号简称包括

　　0晴晴，晴转多云，晴转小雨等

　　1多云多云，阴，多云转阴，阴转小雨等

　　2雨小雨，中雨，大雨，雨夹雪，小雪等

　　由于雾霭天气样本太少无法拟合，加入会造成误差，故舍弃

　　经过数据清洗后的部分数据如表4-3所示：

　　表4-3天气数据经过处理后的部分

　　0.161290 0.600000 0

　　0.225806 0.600000 1

　　0.258065 0.533333 1

　　0.225806 0.566667 1

　　0.225806 0.600000 0

　　0.290323 0.666667 0

　　0.225806 0.733333 0

　　0.354839 0.766667 0

　　0.290323 0.733333 1

　　0.290323 0.733333 0

　　本预测系统需要定义好迭代次数、学习率以及隐含层数等。BP神经网络在训练时，输入样本的维度高会影响网络的训练速度，增加训练时间。为尽量减少训练误差，选取模型的迭代次数为10000，学习率为0.5，隐含层数选取为1层。

　　首先开启训练，最开始设定总体误差为0，并对迭代次数计数，并将隐含层、输出层、输出层各神经元误差、隐含层各神经元误差分别进行保存，然后将90%的数据错位训练样本进行训练，训练过程中必须遍历每个隐含单元的结果。

　　最后使用剩余的10%的数据，对训练后的模型进行测试，如图4-2，4-3，得到测试数据的输出，然后定义隐含层的个数，并保持暂时不变，确定输出个数就等于测试数据的的输入个数，然后就开始测试。保证测试前先训练，就返回空值，并对隐含层个数计数，隐含层的数量由权值和测试数据之积决定。

　　图4-2某月26日预测天气数据与实际天气数据对比图

　　图4-3某月27日预测天气数据与实际天气数据对比图

　　部分预测结果如表4-4所示：

　　表4-4天气预报功能

　　天气风向最高温度最低温度风速

　　阴东风29 24 5

　　小雨南风30 25 5

　　多云西南风32 25 5

　　中雨西北风30 25 5

　　中雨西南风29 22 5

　　多云西南风28 21 5

　　气象预测方面随着国内各个方面相关技术的发展而促进，尤其是计算机方面的技术的推进促使了系统如何提高整体工作效率。而传统的辨识模式也摆脱了单一低效的窘境，在自动化控制的基础上与其他科学技术加以整合，向着更好的方面进行研究。

　　本文所要设计系统是为了能够在高效的测量的功能上，将它与MATLAB相结合，形成更加完美的测量管理系统，因为MATLAB作为各大行业应用最多的平台，是经受过各种考验的。自开发技术发展以来，良好的可视化编程就受到一致的追捧。经过测试后，与GPIB设备、VXI总线、串行口设备等硬件的连接都是很稳定快速的；在传输数据的途中，如果需要采集数据的话，只需要探针点击界面；MATLAB不同于其他平台，无论是Windows，还是Linux，都支持使用。综上所述种种优点，它能够成为使用率最高的产品是实至名归的。并且MATLAB如今被应用到了制造业等需要实时监控设备的行业，所以它是一个成熟的编程平台，非常适合本次的测量设计，而这款数据采集软件本身设计出来就是为了支持大部分的硬件，它还集成了RS-485等通信协议，而它图形化的用户界面更是保证了用户交互的良好性。

　　本次设计使用MATLAB对直流电机的输入和输出电压进行辨识，随后再对整个过程的转速参数进行研究，最终多次测试和改进后得到了相对合适的数据，能够完成本次的目的——气象预测。在后续的进展中，将对如何保证每一个时间周期内都能够精准控制进行调整，并在这样的基础上进行研究更加合适的辨识方式，也就是在线辨识。对于这个辨识方式的研究，自然需要之前对直流电机的电压辨识数据，随后根据测量结果对它的速度在整个流程中进行管理控制。

　　虽然气象预测摆脱过去的低下性能，再电容的容量和处理上有着更好的选择，其本身负责控制和执行的芯片也在技术的改进中突破了原有的局限，但是工业各个模块也在与时俱进着，如果不能够对气象预测提出更高的电能方面的标准，那么它将在新的机器上很难做到稳定而快速的作业，而面对像喷漆这种类似的多变的工艺面前，如何根据不同的复杂程度而灵活改变也是近期需要投入精力的一大点。目前工业主要提倡了绿色环保的能源模式，而这种新能源的使用正好能够被新的能够在微电网中成功的应用起来的气象预测模式所解决。但是本次设计因为时间上的局限而无法对这款新的气象预测进行寿命判断，而气象预测的整体寿命也不仅会因为时间的影响而老化，也会因为长期的电辐射下快速老化，进而影响了它的输出效率。所以要想完成这样的测试，就要在每个相种都有着单独处理的电感下，保证每个相都平坦了所有的电流。另一方面，从空间的分配角度来看，气象预测的效率还会因为当时的工作相数而产生变化，所以还需要多次调整每个硬件的位置来保证气象预测一直能够稳定而最高功率的工作。目前的气象预测其实还有着很高的改善之处，目前一些学者测试发现电源如果在小功率下是能够最大程度上发挥出效果的，并且稳定性上比上面所研究的还要高，其实这种小功率的电源已经被投入到应用中，EMI上也有着极高的优势，但基本都被运用在军事领域中。而工业上的电源都是功率十分大的，高功率意味着其难度上颇为的复杂，因此很难将多个高功率的设备进行集成。

　　除了大学四年学习到的虚拟机和信号理论以外，我还在网上和学校的图书馆内查询并整合所需要的数据，同时也完成了基于虚拟仪器的相关的开发。本次设计涵盖的知识范围之广，所涉及的深度之深入，让我对本次的气象预测设计有了更深刻的理解和构思，这次的毕业设计对于知识的整理和调用是非常有意义的行为。

　　在对整个系统设计完成后就需要进行实际物体的焊接，但是一开始没有规划好每个物体的合理位置，而每个硬件的接线是非常多的，所以经常会因为线路的漏接或者系统的线路插错而导致短路的结果，面对这样的情况我们需要在一开始就规划好每个硬件的位置，减少不必要的线路穿插，并且后期的短路情况需要仔细的，里里外外的排查干净，最终我不仅解决了所有的排线问题，还提高了自己的耐心。虽然我的基础相对薄弱，但是努力的过程中面对飞扑而来的众多问题，我总是去寻求解决方案，而我的老师也总是非常耐心，最终我的问题在大家的不懈努力之下排除干净，并且我还拥有了解决问题的整体思路，并从老师那里学到了很多的学习方法。而在研究这次设计的中间，我还从设计中得到了很多的灵感和想法，而这些想法也对后来的辨识方法产生了积极作用。除了测试出对系统辨识的最佳模型和所有的算法以外，我还在系统的工具选择上和开发方式上有了个性化的想法和处理形式。并且期间MATLAB作为我的主要使用软件，在适应中发现它对数据采集方面有着非常好的作用。在后来的数据处理中，我发现如何将处理信号的方法用在处理这些数据上会有着异曲同工之妙，随后我便将这个方法带入，果然这样大大降低了对硬件高性能的需求。我明白，气象预测的技术同时也是离不开各种相关技术的发展和硬件的支持的。

　　[1]刘明军,上官帖,童军心,等.一种基于气象和神经网络的绝缘子污闪预警装置:.

　　[2]袁超.基于改进RBF神经网络模型的气象能见度监测方法研究[J].新一代信息技术,2019,002(016):50-54,65.

　　[3]田静毅,范泽宣,孙丽华.基于BP神经网络的空气质量预测与分析[J].辽宁科技大学学报,2015(02):53-58.

　　[4]王东明.船载气象监测预报系统研发课题2013年度科技报告[J].科技资讯(9期):167-167.

　　[5]张飞涟,刘严萍.经验模态分解与神经网络方法在降水预测领域的应用研究[C]//中国系统工程学会学术年会.0.

　　[6]张飞涟,刘严萍.经验模态分解与神经网络方法在降水预测领域的应用研究[C]//中国系统工程学会学术年会.2014.

　　[7]熊晨曦.基于BP神经网络的高速公路能见度预测[J].江西公路科技,2015(3):79-82.

　　[8]李虹,冯彦辉,林君.基于改进BP神经网络的路面状态识别研究[J].微计算机信息,2010(02):11-12+54.

　　[9]瞿英,王冕,董文旭,et al.基于BP神经网络的农田大气氨浓度预测[J].中国生态农业学报(中英文),2019,000(004):P.519-528.

　　[10]王佳,郭春燕.G6高速内蒙段冬季公路路面温度变化特征以及预报模型[C]//第34届中国气象学会年会S.2017.

　　[11]张和喜,杨静.贵州区域干旱演变特征及预测模型研究[M].中国水利水电出版社,2014.

　　[12]徐立萍,张鑫.基于BP神经网络的吉林省中部旱情预测[J].吉林水利,2012(01):44-45.

　　[13]冯樷,刘戈,黄勇,et al.基于BP神经网络的天津市PM2.5浓度预测研究[J].环境科学与管理,2016,41(6).

　　[14]董婷,赵俭辉,胡勇.基于时空优化深度神经网络的AQI等级预测[J].计算机工程与应用,2017,053(021):17-23,41.

　　[15]谢超.华北西部地区典型城市环境污染特征、变化规律、环境气象相关性及预测研究[D].2015.

　　[16]董婷.基于时空优化深度神经网络与参数组合寻优的AQI预测[D].2018.

　　[17]卢建平,黄建平,郭学良,等.探测大气温湿廓线的35通道微波辐射计设计原理与特点[J].气象科技,2014,42(2):193-197.

　　[18]郭橙,毋立芳,杜建苹,等.大气电场数据与雷电相关性的深度学习算法[J].信号处理,2017,033(004):607-612.

　　[19]刘博威.GPS反演大气可降水量与区域PM2.5的相关性研究[D].2019.

　　[20]张振涛.光伏发电系统最佳安装角度优化及输出功率短期预测[D].2015.

　　[21]丁承君,刘强,田军强,等.信息物理系统事件驱动下的农业气象监测系统[J].江苏农业学报,2018(4):825-834.

　　[22]王东明.船载气象监测预报系统研发课题2013年度科技报告[J].科技资讯(9期):167-167.

　　[23]王佳,郭春燕.G6高速内蒙段冬季公路路面温度变化特征以及预报模型[C]//第34届中国气象学会年会S.2017.

　　[24]郭橙,毋立芳,杜建苹,等.大气电场数据与雷电相关性的深度学习算法[J].信号处理,2017,033(004):607-612.

　　[25]张和喜,杨静.贵州区域干旱演变特征及预测模型研究[M].中国水利水电出版社,2014.

　　[26]卢建平,黄建平,郭学良,等.探测大气温湿廓线的35通道微波辐射计设计原理与特点[J].气象科技,2014,42(2):193-197.

　　大学本科四年的时光匆匆流去，人生中在学校学习的最后一段生涯即将走到尽头。这四年间的学习和生活中得到了许多老师和同学的支持我感到十分的幸运。

　　本次毕业设计从选题到论文的完成，每个过程都离不开老师的帮助和指导，我要感谢我的导师，他对我提出的每一个问题都耐心回答，有时间就会组织同组学生实地指导和学习。他看待问题全面且严谨，传授给我非常专业的知识使我受益匪浅。他是这次毕业设计我们大组的负责老师也是最初教授我神经网络算法基础及对天气预测知识的老师，导师在教课过程中认真且不失幽默也使我对神经网络算法基础及对天气预测等有关的知识有了全面的了解，并且各个部分都因为老师的讲解而将所学的知识紧密结合，互相关联在一起。

　　除了一直指导我，鼓励和督促我的亲爱的导师以外，其实走到今天这一步，是离不开这短短四年内遇到的所有课程老师和亲爱的学生们的，正是因为他们的力量我才能够站在这里，正是因为这几十门课老师认真的解惑，每一个任课老师都不曾半点松懈，将自己的所学用着心血传授给我们，而我也不敢丝毫忘记，且深深的明白只有优秀的成绩才是反馈给老师们最好的答案。而我在完成这次神经网络算法基础及对天气预测的过程中还离不开帮助我的同学们，我们互相帮忙，对彼此不懂得地方加以探讨，因此我们不仅理解了曾经未曾消化掉的知识，还将四年来所学习到的知识更加巩固在了脑海里，每当想到这里，我的脑海里总是闪过每一刻他们帮助我的样子，正是这样强盛的母校，才诞生了我们这样的优秀学子，我们为身在这样的母校而自豪，在这四年里我的专业水平也在提高，因为老师的教诲才让我有了极高的专业素质，所以即便要迈出学校的大门，我依旧不曾害怕，因为学校的四年让我有了反哺社会的能力，我将弘扬学校的本质精神，传达出我的信念，将这四年所学的知识倾洒在未来的工作生涯中。我也深深的坚信，我在未来的每一个或大或小的成果都离不开每一位老师的教导。

　　当然除了爱我指导我的老师们和互相帮助友善的同学们，我还要感谢的人还有很多，比如网上那些晒出自己的经验和技术的博主们，设计系统的时候难免会遇到难关，这个时候我们并不会第一时间去求教老师或其他人，增加他们的负担，而是想着自己能够在网上百度相关的资料或者博主经验，正是这些博主的详细的讲解，才让我面对每一个问题都不在慌张，因为我总能在网上找到的资料和自己的思考相结合在一起，最终形成了我想要的答案，这些前辈们耗费无数时间和心血的结晶帮助了我在论文的整个阶段都起到了很大的作用，方向决定整体的格局，正是因为这些前辈的成果，才减少了我大量试错的时间和成本，而这些时间的节省意味着我能够花费更多的时间去投入到系统的开发上，能够将更多的精力用在其他更重要的地方。再次我想再次感谢那些帮助我的人，那些指导我爱我的老师们，友善的同学们，所有愿意将自己的经验和技术放在网上的博主们，谢谢你们！

　　#!/usr/bin/python

　　#encoding:utf-8

　　import numpy as np

　　#数据处理部分

　　#从爬取到的数据中读取最高最低气温

　　low=[]

　　high=[]

　　label=[]#天气

　　with open('kunming_weather.txt','r',encoding='utf-8')as f:

　　for data in f.readlines():

　　data_list=data.split(',')

　　if len(data_list)<5:

　　continue

　　low.append(float(data_list[2]))

　　high.append(float(data_list[1]))

　　label.append(data_list[3])

　　#MIN-MAX

　　low=np.array(low)

　　high=np.array(high)

　　low=(low-low.min())/(low.max()-low.min())

　　high=(high-high.min())/(high.max()-high.min())

　　#Z-scores标准化

　　#low=(low-low.mean())/low.std()

　　#high=(high-high.mean())/high.std()

　　#将中文天气转化为数字代表的标记

　　#由于部分天气比较贴近，故划分为以下几个类别：

　　#晴天0，阴天或多云1，雨雪2

　　#将数据存入txt文件，依次为最低气温、最高气温、天气的整数标记

　　#有4天是雾天，样本太少无法拟合，故舍弃（在论文中可说明）

　　t=[0,0,0]

　　with open('train_data.txt','w',encoding='utf-8')as f:

　　for i in range(len(low)):

　　l=label<i>

　　if"雨"in l or"雪"in l:

　　label_id=2

　　elif"阴"in l or"多云"in l:

　　label_id=1

　　elif"晴"in l:

　　label_id=0

　　else:

　　continue

　　t[label_id]+=1

　　f.write("%f,%f,%dn"%(low<i>,high<i>,label_id))

　　pass

　　clc;

　　clear all;

　　%从txt中读取数据

　　[low,high,label]=textread('train_data.txt','%f,%f,%d');

　　[lmin,lmax,hmin,hmax]=textread('convert_data.txt','%f,%f,%f,%f');

　　origin_input=[low high];

　　%划分90%的数据用于训练，留下10%当测试样本

　　num_total=length(label);

　　num_train=floor(num_total*0.9);

　　train_input=origin_input(1:num_train,:);

　　test_input=origin_input(num_train+1:num_total,:);

　　train_label=label(1:num_train,:);

　　test_label=label(num_train+1:num_total,:);

　　%创建神经网络

　　net=newff(train_input.',train_label.',[20,20]);

　　%设置神经网络相关参数

　　net.trainParam.epochs=50;

　　net.trainParam.goal=1e-7;

　　net.trainParam.lr=0.005;

　　net.trainParam.mc=0.9;

　　net.trainParam.show=5;

　　net.trainParam.max_fail=12;

　　%训练网络

　　net.trainFcn='trainlm';

　　[net,tr]=train(net,train_input.',train_label.');

　　%测试测试样本的准确率

　　test_output=sim(net,test_input.');

　　test_output=round(test_output.');

　　num_test=length(test_output);

　　true=0;