18、温度与相对湿度预测及间接关联规则挖掘的算法研究

温度与相对湿度预测及间接关联规则挖掘的算法研究

温度与相对湿度预测

1. 背景与问题提出

当前地球温度升高，呈现出明显的气候变暖趋势。全球气温上升还会引发海平面上升、降水变化等一系列问题，进而导致洪水、飓风、热浪和干旱等极端天气。准确预测温度和相对湿度对于衡量环境变化至关重要。

传统的温度和相对湿度预测技术复杂且计算量大，而数据驱动技术，尤其是神经网络，因其计算速度快、所需输入参数少，成为传统基于过程建模的有效替代方法。其中，多层感知器（MLP）是应用最广泛的网络架构，信息从输入层逐层流向输出层，属于前馈网络。然而，MLP存在收敛速度慢、计算成本高的问题，特别是在处理大量输入和训练样本时，训练过程变得缓慢且繁琐。同时，反向传播（BP）学习算法作为一种梯度下降局部优化技术，在修正网络权重时存在收敛速度慢、不适用于解决大规模问题的缺点，且其收敛行为高度依赖连接权重的初始值和其他参数，导致程序不稳定。

2. 相关网络与算法介绍

• 功能链接神经网络（FLNN） ：FLNN属于高阶神经网络（HONs）的子类。HONs由Giles等人首次提出，Pao进一步分析并将其称为“张量网络”。HONs在模式识别和联想回忆方面取得了一定成功，与MLP相比，其层数减少，解决了过拟合和局部最优问题，训练和执行速度更快。FLNN由Pao引入，它通过引入非线性项到神经网络中，可将网络简化为单层，从而提高训练速度和便捷性。FLNN已成功应用于系统识别、信道均衡、分类、模式识别和预测等多个领域，比MLP更先进，能够处理非线性任务，且网络架构简单，学习算法不复杂。
• 布谷鸟搜索算法