Báo cáo nghiên cứu khoa học " Mạng thần kinh nhân tạo truy hồi thời gian trễ và ứng dụng dự báo nhiệt độ tối thấp cho khu vực đồng bằng phía Bắc Việt Nam "

Chia sẻ: Nguyen Nhi | Ngày: | Loại File: PDF | Số trang:0

Thêm vào BST

Báo xấu

56
lượt xem 5
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Cùng với những nghiên cứu trước đây sử dụng mạng thần kinh nhân tạo (TKNT) dự báo nhiệt độ tối cao, chúng tôi đã thử nghiệm dự báo nhiệt độ tối thấp cho khu vực nghiên cứu bằng việc sử dụng một loại mạng TKNT nữa - mạng truy hồi thời gian trễ. Kết quả đạt được với bài toán dự báo là khả

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Báo cáo nghiên cứu khoa học " Mạng thần kinh nhân tạo truy hồi thời gian trễ và ứng dụng dự báo nhiệt độ tối thấp cho khu vực đồng bằng phía Bắc Việt Nam "

Tạp chí Khoa học Đại học Quốc gia Hà Nội, Khoa học Tự nhiên và Công nghệ 25, Số 1S (2009) 28‐34 Mạng thần kinh nhân tạo truy hồi thời gian trễ và ứng dụng dự báo nhiệt độ tối thấp cho khu vực đồng bằng phía Bắc Việt Nam Nguyễn Hướng Điền1,*, Hoàng Thanh Vân1, Hoàng Phúc Lâm2 1 Khoa Khí tượng Thủy văn và Hải dương học, Trường Đại học Khoa học Tự nhiên, ĐHQGHN 2 Trung tâm Dự báo Khí tượng Thuỷ văn Trung ương Ngày nhận 02 tháng 01 năm 2009 Tóm tắt. Cùng với những nghiên cứu trước đây sử dụng mạng thần kinh nhân tạo (TKNT) dự báo nhiệt độ tối cao, chúng tôi đã thử nghiệm dự báo nhiệt độ tối thấp cho khu vực nghiên cứu bằng việc sử dụng một loại mạng TKNT nữa - mạng truy hồi thời gian trễ. Kết quả đạt được với bài toán dự báo là khả quan, hệ số tương quan rất lớn (luôn >0,93) và sai số nằm trong ngưỡng cho phép của dự báo nghiệp vụ (RMSE trong khoảng từ 1,490C đến 1,590C và MAE xấp xỉ 1,10C). Tuy nhiên chất lượng dự báo nhiệt độ tối thấp của mô hình mạng TKNT trong mùa đông và mùa xuân chưa được cao lắm. 1. Giới thiệu về mạng thần kinh nhân tạo mạng truy hồi. Nhưng các mạng TKNT truy hồi truy hồi thời gian trễ∗ đầy đủ rất khó luyện để đạt tới trạng thái ổn định. Việc xây dựng một thuật toán khác (không phải thuật toán truy hồi), dựa trên mạng Nhận thức đa lớp là thuật toán mạng phổ nhận thức đa lớp nhưng có thêm một hệ thống biến nhất, nhưng nó chỉ có thể giải quyết các con để chứa các thông tin trong quá khứ là cần thông tin đồng thời, do trong hệ thống của nó thiết và thích hợp hơn. Những hệ thống con này không có bộ nhớ và chỉ thực hiện lan truyền được gọi là các cấu trúc bộ nhớ ngắn hạn tiến. Trong khoa học, kỹ thuật, việc xử lý các (Short-term memory structures) [Jose C. tín hiệu, các giá trị đại lượng tại các thời điểm Principe, 2000]. Sự kết hợp của mạng nhận khác nhau có liên hệ với nhau, đòi hỏi các hệ thức đa lớp và các cấu trúc bộ nhớ ngắn hạn thống phải có bộ nhớ. Điều này đặc biệt có ý được gọi là mạng thời gian trễ (Time-Lagged nghĩa trong khí tượng, khi các đại lượng khí Network), các cấu trúc bộ nhớ thậm chí có thể tượng đều có quán tính, có tính thống nhất theo là truy hồi, nhưng chỉ là hồi tiếp địa phương (để thời gian. Một động lực nữa đòi hỏi phải sử tính ổn định dễ đảm bảo hơn). Khi kết hợp dụng bộ nhớ đó là hồi tiếp (Feedback), hay đơn mạng truy hồi với các cấu trúc bộ nhớ thì ta có giản là sử dụng có hiệu quả các thông tin sẵn mạng truy hồi thời gian trễ (Time-Lagged có. Đó cũng chính là lý do cho sự ra đời của Recurrent Network). Thông thường, với một _______ mạng thời gian trễ tổng quát nhất, bộ nhớ sẽ ∗ được đặt ở tất cả các thành phần của mạng, điều Tác giả liên hệ. ĐT: 84-4-38584943. E-mail: diennh@yahoo.com 28
29 N.H. Điền và nnk. / Tạp chí Khoa học ĐHQGHN, Khoa học Tự Nhiên và Công nghệ 25, Số 1S (2009) 28‐34 đó sẽ tăng khả năng của mạng rất nhiều nhưng trong mạng thời gian trễ tập trung là chứa các cũng sẽ mất rất nhiều thời gian để luyện và số thông tin, tín hiệu trong quá khứ của lớp nhập, liệu cũng cần nhiều để đảm bảo tính đặc trưng trong khi các phần tử hoạt động phi tuyến cung của mạng. Một trong những thuật toán giúp đơn cấp các ánh xạ tương tự như ở mạng nhận thức giản hoá vấn đề này là thuật toán tập trung đa lớp. Trong bài báo này, mạng truy hồi thời (Focused), trong đó bộ nhớ ngắn hạn chỉ được gian trễ là lựa chọn số một cho bài toán phân đặt ở lớp nhập. Chức năng của bộ nhớ ngắn hạn tích chuỗi thời gian dự báo nhiệt độ tối thấp. Hình 1. Mạng thời gian trễ với thuật toán tập trung. Cấu trúc bộ nhớ đơn giản nhất được xây Một cơ chế khác cho bộ nhớ tuyến tính đó dựng từ chuỗi trì hoãn (delay line) hay bộ nhớ là hồi tiếp (hình 3). Hồi tiếp cho phép hệ thống trễ. Bộ nhớ trễ là một hệ thống nhập đơn - xuất nhớ các sự kiện trong quá khứ. Không giống đa, có duy nhất một tham số là kích thước bộ như bộ nhớ trì hoãn, bộ nhớ hồi tiếp còn cung cấp cho hệ thống luyện tham số µ, giúp chỉnh nhớ K. Loại bộ nhớ này được sử dụng rất hiệu quả cùng với mạng thời gian trễ (Time-delay độ dài của bộ nhớ. Bộ nhớ hồi tiếp được sử Neural Network) trong việc nhận dạng giọng nói dụng cùng với mạng Elman và Jordan [Haykin, và xác định hệ thống. (Kung, 1993) (hình 2). 1994]. Hình 2. Bộ nhớ trễ. Hình 3. Bộ nhớ hồi tiếp.
30 N.H. Điền và nnk. / Tạp chí Khoa học ĐHQGHN, Khoa học Tự Nhiên và Công nghệ 25, Số 1S (2009) 28‐34 Ta có thể kết hợp ưu điểm của bộ nhớ hồi giữa thời điểm xung trả lời đầu tiên và thời điểm tác động cuối cùng K: D = K/µ) dựa trên tiếp và bộ nhớ trễ trong các hệ thống tuyến tính, được gọi là chuỗi khuếch tán trễ (Dispersive độ phân giải của bộ nhớ (số kết xuất trong một đơn vị thời gian: R=µ). Tham số µ có thể được Delay Lines). Bộ nhớ được dùng nhiều nhất thuộc loại này là bộ nhớ gamma (hình 4). Bộ điều chỉnh để đạt được sai số nhỏ nhất. Đây nhớ gamma có một tham số tự do là µ, dùng để chính là ưu điểm của bộ nhớ gamma so với bộ điều khiển độ dài bộ nhớ (là khoảng thời gian nhớ hồi tiếp. Hình 4. Bộ nhớ gamma. Ưu điểm của thuật toán tập trung là các nhiệt độ tối thấp liên tục trong 9 năm từ 1981 trọng số mạng nhận thức đa lớp vẫn có thể được đến 1989 của 4 trạm là Láng (Hà Nội), Phủ Liễn điều chỉnh bằng thuật toán lan truyền ngược. (Hải Phòng), Thanh Hóa và Vinh; số liệu năm Lớp bộ nhớ giúp mang thêm thông tin trong quá 1990 được sử dụng để đánh giá chất lượng mạng. khứ, làm tăng giá trị của ánh xạ. Khi sử dụng Qua quá trình thử nghiệm và đánh giá cho bộ nhớ trễ, sự lan truyền ngược cũng có thể các loại mạng khác nhau với số lượng nút ẩn được sử dụng vì khi này chỉ có các trọng số của khác nhau: lần lượt là 3, 5 và 10 nút ẩn. Kết quả mạng nhận thức đa lớp là các thông số được cho thấy mạng có một lớp ẩn với 5 nút ẩn cho điều chỉnh. Khi sử dụng bộ nhớ gamma, thông chất lượng tốt nhất. số lặp được điều chỉnh trong một hệ thống thích ứng toàn phần. Phương trình dùng để thích ứng các thông số cho các loại bộ nhớ được cho 2. Kết quả dự báo nhiệt độ tối thấp và nhận xét trong hình vẽ tương ứng ở trên. Trong bài báo này, nhóm nghiên cứu sử Kết quả đánh giá cho 4 trạm tiêu biểu nêu trên dụng mạng truy hồi thời gian trễ với 1 lớp nhập, với mạng TKNT có một lớp ẩn và 5 nút ẩn được 1 lớp ẩn và 1 lớp xuất để dự báo nhiệt độ tối trình bày trong các bảng và hình vẽ dưới đây: thấp. Số liệu đầu vào là chuỗi số liệu quan trắc
31 N.H. Điền và nnk. / Tạp chí Khoa học ĐHQGHN, Khoa học Tự Nhiên và Công nghệ 25, Số 1S (2009) 28‐34 Bảng 1. Các chỉ số đánh giá dự báo nhiệt độ tối thấp Láng Phủ Liễn Thanh Hóa Vinh 0 MAE ( C) 1.14 1.10 1.10 1.07 RMSE (0C) 1.59 1.55 1.49 1.56 E-max (0C) -3.07 -3.86 -3.05 -4.00 E+max (0C) 8.07 7.56 7.30 8.07 NE
32 N.H. Điền và nnk. / Tạp chí Khoa học ĐHQGHN, Khoa học Tự Nhiên và Công nghệ 25, Số 1S (2009) 28‐34 thực tế trong các tháng mùa hè và thu. 3 tháng 7, (RMSE trong 3 tháng này nhỏ nhất, trừ trạm Phủ 8 và 9 cũng thường cho kết quả dự báo tốt nhất Liễn đạt cực tiểu trong 3 tháng 10, 11 và 12). 35.0 30.0 Dự báo (độ C) 25.0 20.0 15.0 10.0 5 .0 5.0 10.0 15.0 20.0 25.0 30.0 35.0 Qu an tr ắc (độ C) Láng Hình 5. Kết quả đánh giá trạm Láng. 35.0 30.0 25.0 Dự báo (độ C) 20.0 15.0 10.0 5.0 5.0 10.0 15.0 20.0 25. 0 30. 0 35.0 Qua n trắ c (độ C) Phủ Liễn Hình 6. Kết quả đánh giá trạm Phủ Liễn.
33 N.H. Điền và nnk. / Tạp chí Khoa học ĐHQGHN, Khoa học Tự Nhiên và Công nghệ 25, Số 1S (2009) 28‐34 35.0 30.0 25.0 Dự báo (độ C) 20.0 15.0 10.0 5.0 5.0 10.0 15.0 20.0 25.0 30.0 35.0 Qu an tr ắc (độ C) Thanh Hóa Hình 7. Kết quả đánh giá trạm Thanh Hóa. 35.0 30.0 25.0 Dự báo (độ C) 20.0 15.0 10.0 5 .0 5.0 10.0 15.0 2 0 .0 25.0 30.0 3 5 .0 Qu an tr ắc (độ C) Vinh Hình 8. Kết quả đánh giá trạm Vinh. 3. Kết luận ứng dụng cao trong các bài toán từ phức tạp đến đơn giản. Đây là những kết quả thử nghiệm với một loại mạng TKNT nữa - mạng truy hồi thời Cùng với những nghiên cứu trước đây gian trễ. Kết quả đạt được với bài toán dự báo [Nguyễn Hướng Điền, Hoàng Phúc Lâm, 2006, nhiệt độ tối thấp là khả quan, hệ số tương quan 2007, 2008], mạng TKNT đã cho thấy khả năng
34 N.H. Điền và nnk. / Tạp chí Khoa học ĐHQGHN, Khoa học Tự Nhiên và Công nghệ 25, Số 1S (2009) 28‐34 rất lớn và sai số nằm trong ngưỡng cho phép [3] Nguyễn Hướng Điền, Hoàng Phúc Lâm, Dự báo tổng lượng bứcc xạ ngày cho khu vực đồng bằng của dự báo nghiệp vụ. Tuy nhiên vẫn còn phía Bắc Việt Nam bằng phương pháp sử dụng những tồn tại cần tiếp tục nghiên cứu giải mạng thần kinh nhân tạo, Tạp chí Khoa học Đại quyết, đó là chất lượng dự báo nhiệt độ tối thấp học Quốc gia Hà Nội, Chuyên san Khoa học Tự của mô hình mạng TKNT trong mùa đông và nhiên và Công nghệ, tập 22, số 2B PT (2006) 9. mùa xuân chưa được cao lắm. [4] Hoàng Phúc Lâm, Nghiên cứu ứng dụng mạng Bài báo là một phần kết quả của đề tài TKNT dự báo một số yếu tố khí tượng cho các NCCB mã số 705306. tỉnh đồng bằng phía Bắc Việt Nam, Luận văn cao học, 2007. [5] Hoàng Phúc Lâm, Nguyễn Hướng Điền, Dự báo Tài liệu tham khảo nhiệt độ tối cao cho khu vực đồng bằng phía Bắc Việt Nam bằng mạng thần kinh nhân tạo, Tạp chí Khí tượng Thuỷ văn, số 571 (2008) 20. [1] J.C. Principe, Artificial Neural Network, CRC [6] Nguyễn Đình Thúc, Hoàng Đức Hải, Mạng Press LLC, 2000. nơron: Quy tắc và ứng dụng, NXB Giáo dục, [2] S. Haykin, Neural Networks: A Comprehensive 2000. Foundation, New York, 1994. Time-lagged recurrent neural network and application in minimum temperature forecasting for Northern Vietnam flat area Nguyen Huong Dien1, Hoang Thanh Van1, Hoang Phuc Lam2 1 Faculty of Hydro-Meteorology & Oceanography, College of Science, VNU 2 National Centre for Hydrometeorological Forecasting After success in using neural network in radiation and maximum temperature, we try to use another type of neural network: time-lagged recurrent network to make the time-series analysis of minimum temperature for northern Vietnam flat area. By training and evaluating the results, 1 hidden layer with 5 nodes time-lagged network was chosen as the best one for this problem. RMSE ranges from 1.49 to 1.59 degree while MAE around 1.1, especially the correlations are always greater than 0.93. However, when we access the maximum over and under-estimated forecast, the model is still not really good, the former one is about 7 - 8 degree and the later is around 3 - 4 degree. In order to get more detail assessment, the test data set was divided into 4 parts and the season from July to September often got the best verification results. These results support for the conclusions in the previous papers that the neural network with suitable configuration always gives a reasonable assessment.