人工神经网络模型优化

人工神经网络法（Artificial Neural Networks，ANNs)是以电子方式模拟真实的生物神经系统的功能的方法。人工神经网络法的基本思路是在多个可实现简单功能（如简单线性关系)的神经元间建立加权连接，然后通过调整权重值训练整个神经元网络。通常还为每个神经元引入和训练一个偏差参数。

如图5-8（左)所示，每个神经元分别接收一组加权的输入值。每个神经元的输出为一组加权输入值之和的逻辑函数减去该神经元的一些阈值。

逻辑函数的作用是，当加权输入值超过阈值时，把该神经元“弹射”出去。单向正反馈的神经元网络不允许双向和反向连接，并把神经元分成3层，如图5-8（右)所示。第一层是输入层，即长期参考风数据；中间层称为隐藏层；最后为输出层，即预测的测风塔处的长期风况。

图5-8 单个神经元（左)和3层正反馈的神经元网络（右)示意图，X_i是对该神经元的输入值，ω_ij是第i个神经元输入到第j个神经元的权重，b_j为第j个神经元的阈值，f为神经元的非线性输出函数^[53]

一旦建立了神经元网络，一个指定的训练算法将用于决定与每个神经元相关的权重。该训练算法迭代更新各个权重，以使误差E最小化。误差E是预测值对已知值的残差二次方的均值。这是神经网络的一个主要特征，即在输出任何有意义的结果前，必须对每个神经元进行训练。有多种训练算法来调整网络中的参数。这一训练过程通常要经过数百个迭代循环。(www.xing528.com)

把人工神经网络法应用到风数据的相关和预测中存在诸多优势^[59]。

首先，人工神经网络法能够识别非线性关系，因此改善长期相关性。

另外，它能够把历史数据考虑进来。如果测风塔和长期参考站点的空间距离很大，那么在一个地点发生的天气事件需要一定时间（延迟时间取决与风向)才能到达另一地点，此时两点的观测数据相关性会很差。再者，一个数据点可能不足以识别某个天气事件的全貌。参考站点过去一段时间内观测数据的发展情况可以为预测测风塔处的风况提供更多信息。

最后，人工神经元法可以同时应用多个长期数据源。随着信息量的增加，关系变得更加复杂，而这正是人工神经元法的特长。有些情况下，把全部已知数据源都考虑进来是必要的，这取决于特定的气候状况。神经网络应该能够决策是否需要考虑多个数据源，或者只考虑哪一个数据源。

神经网络的应用是一门复杂的科学，有广泛的研究文献和书籍，因此本书仅能对其做概念性的简要介绍。