台风预测与模拟教学内容

1、台风预测与模拟对台风的模拟与预测的研究 摘要 台风是我国东南沿海每年遭受的严重自然灾害之一，为了减少人民生命财产损失，准确有效的台风预报显得尤为必要。本文围绕台风相关数据的预测、台风的路径图以及预测福州10100年内可能遭遇的台风的最大风力问题进行了讨论。对台风的预测建立了神经网络预测模型，并对求解结果进行了详细的分析。 针对问题一，首先把台风B中心的经纬度以半小时为单位的形式算出来，然后分别 求出台风B中心和观察点的距离；然后利用拟合工具箱，分别得出距离与气压的关系 式：y203.5*x203.5*x0.61510100505 和距离与风速的关系式：y y2186.5*x186.5*x0.5

2、0761.913;1.913;最后 算出台风A中心到福州的距离大致为760里，把该距离代入所得关系式，即可得出福州此时的气压为(1.0016e+03)百帕，风速为4.5195m/s。 针对问题二， 为了预测该台风此后72小时内的中心气压和最大风速， 需要该台风以往的数据，因此，我们首先收集了该台风相关的数据，然后运用广义回归神经网络模型，对此后72小时内的中心气压和最大风速进行预测，得出结果，并作出该台风的路径图。并且，为了更直接地看出预测数据与真实数据的误差，我们分别作出时间与气压、时间与风速的关系图，从图中可看出，预测值与真实值出入不大，且路径走向一致。 针对问题三，我们建立了广义回归神经

3、网络模型，对福州10-100年内可能遭遇的 最大风力进行预测。首先把收集到的数据作为训练样本，利用广义回归神经网络模型求解，最终预测出福州10-100年内可能遭遇的最大风速为：44.6721m/s,再根据风力等级划分表确定出最大风力为：14级。 关键词一、问题重述 台风是热带气旋的一个类别；按世界气象组织定义：热带气旋中心持续风速达到12级(即每秒32.7米或以上)称为飓风(hurricane),飓风的名称使用在北大西洋及东太平洋；而北太平洋西部(赤道以北，国际日期线以西，东经100度以东)使用的是台风(typhoon)。 台风是我国东南沿海每年遭受的严重自然灾害之一，台风水平结构分为台风眼区

4、域、最大风雨区以及外围区；垂直结构为下层流入层、中层过渡层及上层流出层。通常在最大风雨层发生强风、强降雨；在下层区域吸收能量，形成低气压。台风会带来巨大降水，同时也会带来巨大灾难，其形成的自然灾害种类包括风灾，潮灾以及水灾，其中以潮灾造成的损失最为巨大。据统计，风暴潮造成损失居全世界之首10 为了减少人民生命财产损失，准确有效的台风预报显得尤为必要。请收集相关数 据，建立数学模型，完成下面问题。 问题1请结合附件1和2,根据气象学和空气动力学原理，建立数学模型，给出此时福 州台风相关数据预测。 问题2请收集相关数据，根据气象学和空气动力学原理，建立数学模型，给出此后72 小时内的该台风相关预报

5、数据并画出路径图 问题3台风对沿海建筑的破坏尤为明显，和抗震等级设计一样，为了设计高层建筑的 抗风能力，需要估算建筑物设计年限内可能遭遇的最大台风风力。请收集相关 数据，根据气象学和空气动力学原理，建立数学模型，给出福州10-100年内可 能遭遇的最大风力。 二、问题分析 我们共需要解决三个问题： (1)给出此时福州台风相关数据预测； (2)给出此后72小时内的该台风相关预报数据并画出路径图 (3)给出福州10-100年内可能遭遇的最大风力 对于问题一，根据附件1和附件2,可知它们的联系是经纬度，即位置。但是，附 件1和附件2的时间分隔并不一致。 因此， 首先把台风B中心的经纬度以半小时为单位

6、的形式算出来，然后分别求出台风B中心和观察点的距离；然后利用拟合工具箱，分别得出距离与气压、距离与风速的关系式；最后算出台风A中心到福州的距离，把 该距离代入所得关系式，即可得出福州此时的气压和风速。 对于问题二，欲预测福州11时后72小时内的大气压和风速，并且画出路径图， 这需要该台风以往的数据。我们发现该台风在11时的参数与台风“龙王”11时的路径参数一致，因此，我们可以收集“龙王”的数据，以此作为基准，利用广义回归神经网络方法，对福州11时后72小时内的大气压和风速进行预测。 对于问题三，主要在于预测福州10-100年内可能遭遇的最大风力，首先收集福州 近年遭遇台风的具体情况，把所得数据

7、作为训练样本，再利用广义神经网络得出预测 样本，即福州10-100年内可能遭遇的最大风力。 三、模型的假设 (1)附件所给数据和我们查找的数据准确无误； (2)假设台风的行走路径没有障碍； (3)排除其他突发性情况，例如气流漩涡； 四、符号说明 Y Y1 大气压 y y2 风速 x x 台风A中心匕福州的距离 五、模型的建立与求解 5.1 问题一 5.1.1 数据处理 因为附件1和2的时间分隔不一致，附件1是以一小时为单位，而附件2是以半小时为单位，因此，首先用分段线性插值把经纬度以半小时为单位的形式算出来。结果见附录1。然后，根据台风B中心与观察点B的经纬度，分别求出相对应的两地之间的距离。

8、结果见附录2(包括距离、气压和风速)。 5.1.2 模型求解 利用拟合工具箱分别得到气压与距离、风速与距离的关系式。详细结果如下: (1)气压与距离关系的结果 GeneralmodelPower2:f(x)=a*xAb+c Coefficients(with95%confidencebounds):a=-203.5(-543.4,136.4) b=-0.615(-1.226,-0.004049) c=1005(991.7,1018) Goodnessoffit: SSE:99.83 R-square:0.8642 AdjustedR-square:0.8552 RMSE:1.824 图1距离与

9、气压关系拟合图 (2)距离与风速关系式的结果： GeneralmodelPower2:f(x)=a*xAb+c Coefficients(with95%confidencebounds):a=186.5(-83.6,456.6) b=-0.5076(-1.107,0.09152) c=-1.913(-24.99,21.17) Goodnessoffit: SSE:142 R-square:0.8672 AdjustedR-square:0.8584 RMSE:2.176 图2距离与风速关系拟合图 5.1.2模型检验 (1)检验理论 线性回归预测是通过一组统计观测数据确定最优拟合线性关系，但我们

10、需要对这种关系拟合的效果好坏进行评判，这种评判通常称为模型检验2。评判的结论将直接影 响人们对线性回归模型的信任程度，从而也影响对预测结果的信任程度。评判的标准主要是拟合的误差，如果拟合误差比较小，拟合效果就好，预测结果的信任程度就高。如果拟合误差较大，拟合效果就不太好，严重时还必须重新考察历史数据、选择变量，再重新拟合。为了评判误差产生程度，我们介绍两个基本定量。 R-square(确定系数) 如果因变量的一组统计观测数据 y yi(i1,2,n)的平均值为y,所有统计观测数据值都分布在这个均值的上下，我们可以求出其总的误差平方和计算公式为： S总(yy)2(1) 如果通过线性回归模型拟合的

11、值为夕，那么可以求出回归的误差平方和计算 公式为： ，一_、2 S S 回( (？i- -y y) )(2) 可以认为回归的误差平方和小是 S S 总的一部分，也就是说回归模型部分解释了实际观测 值对均值的偏离，而剩余部分为 SuSu, ,即 2 S S 剩(yi-y? ?i) 因此可以解释同时也可以写成 S总S回S剩(4) 显然，回归模型拟合较好，则总的误差平方和 S S 总越能够用回归白误差平方和%来表示，模型所描述的线性关系就越准确。所以，我们定义确定性系数为回归的误差平方和占总误差平方和的比例，即 R9 %、 可以看出，R的值在 0101 之间，如果R的值接近1,说明实际数据对均值的绝

12、大部 分都可以由回归明显来解释，模型的拟合效果就越好；如果R的值接近零，说明实际 数据对均值的绝大部分都不能由回归明显来解释，即模型拟合得不好。 RMSERMSE(均方根) 均方根误差亦称标准误差，其定义为，在有限测量次数中，均方根误差常用下式表 示： RMSERMSEJ-(6) n 式中：n为测量次数；didi 为一组测量值与真值的偏差。可以看出 RMSERMSE 越小越好。 (2)检验结果 1、在气压与距离的关系拟合结果中，R-square=0.8642,RMSE=1.824所以该模 型基本通过检验 2、在距离与风速的关系拟合结果中，R-square=0.8672,RMSE=2.176所以

13、该模 型基本通过检验 5.1.3模型求解 根据台风中心A和福州的经纬度(119.28 ,26.08 ),得出两地之间的距离大约为760公里。 根据上面拟合的结果，可得气压与距离的关系式为 y y1203.5*x203.5*x0.61510051005(7) 把距离 x x760760 代入得到福州此时的大气压为(1.0016e+03)百帕。 同理，风速与距离的关系式为 y y2186.5*x186.5*x0.50761.9131.913(8) 把距离 x x760760 代入得到福州此时的风速为4.5195m/s。根据风力等级表网，可 知，此时正为3级风。 5.2问题二 5.2.1模型理论 1

14、、广义回归神经网络(GRNN) 广义回归神经网络是美国学者Don-aldF.Spench城1991年提出的，它是径向基神经网络的一种。GRNN具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性， 适用于解决非线性问题。GRNN在逼近能力和学习速度上较RBF网络有更 强的优势，网络最后收敛于样本量积聚较多的优化回归面，并且在样本数据较少时，预测效果也较好。此外，网络还可以处理不稳定的数据。因此，GRNN在信号过程、结构分析、教育产业、能源、食品科学、控制决策系统、药物设计、金融领域、生物工程等各个领域得到了广泛的应用。 2、GRNN的网络结构 GRNNGRNN 在结构上与 RBFRB

15、F 网络结构相似。它是由四层构成，如图所示，分别为输入层、模式层、求和层和输出层。对应网络输入XXi,X2,L,Xn;其输出为 Yyi,y2，L，yn (1)输入层 输入层神经元的数目等于学习样本中输入向量的维数， 各神经元是简单的分布单元， 直接将输入变量传递给模式层。 (2)模式层 模式层神经元数目等于学习样本的数目n,各神经元对应不同的样本， 模式层神经元传递函数为 神经元 i i 的输出为输入变量与其对应的样本 X X 之间的 EuclidEuclid 距离平方 D D：(X(XX Xi) )T(XX(XXi) )的指数形式。式中，X X 为网络输入变量；Xi为第 i i 个神经元对应

16、的学习样本。 (3)(3)求和层 求和层中使用两种类型神经元进行求和。 一类的计算公式为nexp(X刈?Xi)它对所有模式层神经元的输出进行算i12Piexp (XX)T(XX) 1,2,.,n 图1广义回归网络结构图 柏人层樱刈工卡和仁梅出匕 术求和，具模式层与各神经元的连接权值为1,传递函数为 S SD 另一类计算公式为 Yexpi1 (XXi)T(XXi) ,它对所有模式层神经元进行 (10) 加权求和，模式层中第 i i 个神经元与求和层中第 j j 个分子求和神经元之间的连接权值为 第 i i 个输出样本丫中的第 j j 个元素，传递函数为 n S SNjY YijP Pij1.2.

17、k i1 (11) (4)(4)输出层 输出层中的神经元数目等于学习样本中输出向量的维数 k,k,各神经元将求和层的输出相除，神经元 j j 的输出对应估计结果的第 j j 个元素，即 1,2,.,k (12) 3.GRNNGRNN 理论基础 广义回归神经网络的理论基础是非线性回归分析，非独立变量 Y Y 相对于独立变量 x x 的回归分析实际上是计算具有与最大概率值为y,设随机变量 X X 和随机变量y的联合概 率密度函数为f(x,y),已知 x x 的观测值为X,则y相当于X的回归，也即条件均值为： yf(X,y)dyyf(X,y)dy YE(y/X)YE(y/X) f(X,y)dyf(X

18、,y)dy 中即为在输入为X条件下，Y的预测输出。 (13) 应用Parzen非参数估计，可由样本数据集x xi, ,yj：1，估算密度函数？(X,y)(X,y)。 ?、1nr(XXi)T(XXi)r(XY)21“小 /(X,y)-jexp2-expc2(14) n(2修p1i122 g 式中，X Xi,Y Y 为随机变量 x x 和y的样本观测值；n n 为样本容量；p p 为随机变量 x x 的维数；为高斯函数的宽度系数，在此称为光滑因子。 用？(X,y)(X,y)代替f(X,y)代入式(第一个)，并交换积分与加和的顺序: 22 (XXi)T(XXi) n Aexp 1 Y(X)一 exp

19、 i1 (XXi)T(XXi) 22 (XXi)T(XXi) 2 (YY)2. yexp22dy (YY).exp22dy (15) r2 由于 ZeZezdzdz0,0,对两个积分进行计算后可得网络的输出Y?(X)为: n AYexp i1 Y(X)-n exp i1 (XXi)T(XXJ 估计值中(X)(X)为所有样本观测值Y的加权平均，每个观测值 Y Yi的权重因子为相应的 样本Xi与 x x 之间Euclid距离平方的指数。当光滑因子非常大的时候，Y Y X)X)近似于所 有样本因变量的均值。相反，当光滑因子趋向于0的时候，Y Y X)X)和训练样本非常接 近，当需预测的点被包含在训练

20、样本集中，公式求出的因变量的预测值会和样本中对应的因变量非常接近，而一旦碰到样本中未能包含进去的点，有可能预测效果会非常 差，这种现象说明网络的泛化能力差。当取值适中，求预测值 Y Y X)X)时，所有训练样 本的因变量都被考虑了进去，与预测点距离近的样本点对应的因变量被加了更大的 权。 5.2.2模型的求解(16) 我们发现台风C和台风“龙王11时的各个参数近似，利用两个台风之间的相似 性，于是，我们收集“龙王”的路径数据（见附录3）,把11时以前的数据作为训练样 本。训练结果如下表和下图所示： 图3福州11时后的72小时路径预测图 根据上图，绿色线段反映“龙王”真实路径，红色线段是预测出的

21、“龙王”11点以前的 路径，两条路径出入很小，可以看做预测路径与真实路径吻合。 表111时以后72小时内的预测气压与风速表 时间 纬度 经度 气压 风速 1 132.01 22.12 933.38 51.10 4 131.77 22.10 934.25 50.51 7 131.94 22.08 934.53 49.56 11 132.05 22.05 934.77 50.15 14 131.36 22.07 934.62 51.00 17 131.18 22.05 934.90 50.07 20 131.07 22.05 935.20 49.13 23 130.75 22.08 934.95

22、50.03 26 130.64 22.08 934.94 50.04 29 130.50 22.11 935.13 49.92 32 130.32 22.14 934.99 50.01 35 130.07 22.16 935.00 49.26 115 145 26 25 24 23 22 21 20 19 120125 130135140 38 129.95 22.16 935.00 49.26 41 129.69 22.16 935.00 50.00 44 129.82 22.22 933.41 51.59 47 129.43 22.23 933.07 52.81 50 129.09 22.

23、24 932.42 52.27 53 128.72 22.28 929.56 54.43 56 128.47 22.31 927.53 54.74 59 128.41 22.31 925.28 56.86 62 127.91 22.37 923.58 57.91 65 127.76 22.40 923.46 57.97 68 127.75 22.40 923.23 58.14 71 127.24 22.45 921.06 59.40 74 127.37 22.39 920.70 58.64 77 126.82 22.51 920.45 59.75 80 126.63 22.55 920.66

24、58.68 83 126.38 22.58 920.31 58.85 86 126.19 22.66 920.20 59.89 89 125.78 22.71 920.12 60.93 92 125.50 22.75 920.08 59.93 95 125.34 22.75 920.10 59.96 98 125.00 22.86 920.04 59.98 101 124.87 22.96 920.04 60.98 104 124.41 22.97 920.02 59.99 107 124.46 22.97 921.29 60.00 110 124.09 23.05 920.93 60.00

25、113 123.79 23.12 923.57 59.02 116 123.94 23.14 922.58 60.00 119 123.42 23.19 923.84 59.14 121 123.14 23.26 925.80 58.41 124 123.17 23.26 927.13 57.46 127 122.63 23.41 927.84 57.18 130 122.35 23.50 929.78 56.26 133 122.47 23.43 932.62 54.06 136 121.96 23.62 935.69 51.66 139 121.48 23.76 935.20 52.76

26、142 121.06 23.72 939.03 49.73 145 121.11 23.72 940.30 50.75 148 120.68 23.66 942.56 49.55 151 120.74 23.78 943.65 48.35 154 120.35 23.77 945.24 47.47 157 120.19 23.89 946.09 47.03 160 120.04 23.90 948.79 45.64 163 119.87 23.87 953.57 43.38 166 119.60 23.99 954.44 42.96 169 119.51 24.03 956.37 42.03

27、172 119.35 24.11 957.91 40.77 175 119.24 24.16 959.60 40.43 178 119.24 24.23 962.19 39.12 181 119.05 24.27 964.35 38.49 184 118.81 24.29 966.23 37.05 187 118.53 24.37 970.65 34.34 190 118.59 24.34 971.34 34.35 193 118.24 24.43 975.52 31.87 196 118.10 24.46 979.35 29.90 199 117.93 24.52 982.10 28.10

28、202 117.86 24.56 982.95 27.42 205 117.66 24.64 986.22 25.25 为了更直观地表现出预测值与真实数据的误差，做出如下两个关于时间和气压、 时间和风速的图形： 图4时间与气压图 其中蓝色线段代表真实值，红色线段代表预测值。从上图可以看出，预测气压值与真实气压值相差不多，并且两条曲线的走向一致，因此，该神经网络模型预测效果较好。 1000 990 980 970 960 950 940 930 920 01020 3040506070 图5时间与风速图 其中蓝色线段代表真实值，红色线段代表预测值。从上图可以看出，预测风速值与真实风速值相差不多，

29、并且两条曲线的走向一致，因此，该神经网络模型预测效果较好。 5.3问题三 为了预测福州10-100年内可能遭遇的最大风力。我们通过网上查找台风年鉴关于 福州近40年内遭遇台风的具体情况，统计该年遭遇台风的最大风力以及最大风速，得到数据统计如下表： 表2福州近40年内遭遇台风情况 最大风力（级） 最大风速（m/s 1980 12 35 1982 11 20 1983 40 1985 45 1990 9 24 1992 8 20 1998 32 1999 35 2001 12 38 2005 11 29.5 2006 11 30 2009 10 26 2010 12 35 2012 11 33 2

30、013 13 40 2014 12 35 根据以上数据作为训练样本，使用广义回归神经网络模型预测得出福州10-100年 内可能遭遇的最大风力。通过MATLABS?（具体程序见附录）实现，下图为福州10-100年内可能遭遇的最大风力： 图6福州10-100年内可能遭遇的最大风力 运行结果为： mg= 44.6721 10-100年内可能遭遇的最大风速为：44.6721m/s,再根据风速和 风力等级的关系划分表: 表3风力等级表 风力等级表-风力等级划分 综上所述：福州 46 44 42 40 38 36 34 32 30 28 0102030405060708090100 风力等级 陆地地面物体

31、 海闻波浪/浪 相当 征象 高 公里/时 （米/秒） （米） 0 静，烟直上 平静/0.0 小于1 00.2 1 烟能表示风向 微波峰无飞沫 15 0.31.5 /0.1 . 13 . . . 134149 . 37.041.4 14 150166 41.546.1 15 167183 46.250.9 根据上表得出最大风力为：14级 六、模型的优缺点 参考文献 1刘清容，于建生，韩笑.风暴潮研究综述及防灾减灾对策.应用科技：2009.226-227 http: http:/ http:/ 5司守奎，孙玺菁.数学建模算法与应用M.国防工业出版社.2013.02. 6姜启源，谢金星，叶俊.数学模

32、型M.高等教育出版社.2011.01. 附录 附录1用分段线性插值所求以半小时为单位的经纬度 纬度经度 21.7117.4 21.7117.3 21.7117.2 21.75117.15 21.8117.1 21.85117 21.9116.9 21.95116.8 22116.7 22.05116.6 22.1116.5 22.15116.35 22.2116.2 22.2116.1 22.2116 22.2115.85 22.2115.7 22.25115.6 22.3115.5 22.35115.3 22.4115.1 22.45114.95 22.5114.8 22.5114.65 2

33、2.5114.5 22.55114.45 22.6114.4 22.65114.3 22.7114.2 22.7114.1 22.7114 22.7113.85 22.7113.7 附录2台风中心B各个位置与观测点B之间的距离 距离气压风速 214.534997.96.0 205.475996.89.0 196.537996.410.7 189.252995.810.5 181.995995.211.5 170.261994.212.4 158.530993.312.5 146.802993.013.9 135.077993.016.3 123.358992.715.5 111.642992.

34、014.3 95.5103991.416.3 79.5056990.317.2 71.2135989.219.4 63.5089987.521.8 53.6049986.522.8 46.8002984.026.2 39.1780980.731.8 33.9068982.031.6 38.5958986.222.5 52.2848989.317.7 64.9067991.517.1 78.9213992.319.3 94.2122993.916.5 109.541994.616.0 114.229995.216.4 119.211995.315.5 129.583996.213.1 140.1

35、57997.113.1 150.400997.615.3 160.646998.012.9 176.022998.812.3 191.403999.411.1 附录3台风“龙王”路径相关数据编号经度纬度气压风速 1 143.5 19.6 996 18 7 143.1 20 992: 20 13 142.6 20.3 990 23 19 141.7 20.9 990 23 25 141.1 21.5 970 35 31 140.1 21.7 960 40 37 139.2 22 955 40 43 138.5 22.1 950 45 49 137.4 22.3 950 45 55 136.8 2

36、2.4 940 50 61 136.1 22.4 935 50 67 135.6 22.4 935 50 73 135.2 22.4 935 55 79 134.7 22.4 920 60 85 133.8 22.3 920 60 91 133.1 22.3 920 60 97 132.1 22.1 935 50 100131.6 22.1 935 50 103131 22 935 50 106130.6 22.1 935 50 109129.9 22.2 935 50 112129.3 22.2 935 50 115128.5 22.3 930 55 118127.7 22.4 920 60

37、 121127 22.5 920 60 122126.9 22.5 920 60 123126.6 22.5 920 60 124126.3 22.6 920 60 125126 22.6 920 60 126125.7 22.7 920 60 127125.4 22.8 920 60 128125.2 22.8 920 60 129124.9 22.9 920 60 130124.6 23 920 60 131124.3 23 920 60 132124 23 920 60 133123.9 23.1 920 60 134123.6 23.1 920 60 135123.5 23.2 925

38、 60 136123.2 23.3 925 60 137123 23.3 930 60 138122.7 23.3 925 60 139122.5 23.4 930 55 140122.3 23.5 930 55 141122 23.6 930 55 142121.6 23.7 930 55 143121.2 23.8 940 50 144121 23.9 940 50 145120.6 24 940 50 146120.5 24.1 940 50 147120.2 23.8 950 45 148120 23.9 950 45 149119.9 23.9 950 45 150119.8 23.

39、9 950 45 151119.6 23.9 950 45 152119.4 24 950 45 153119.2 24 960 40 154119.1 24.1 965 38 155119 24.2 965 38 156118.9 24.3 965 38 157118.8 24.4 965 38 158118.6 24.5 970 35 159118.4 24.5 970 35 161118.1 24.4 980 30 162117.9 24.5 980 30 163117.724.698825 164117.524.699023 165117.324.699520 166117.224.8

40、99520 16711724.999520 169116.825.1100015 附录4问题二 时间与气压关系代码： x=1:69; plot(x,shuju(:,3),r)holdon plot(x,data(101:169,4) 时间和风速关系代码： x=1:69; plot(x,shuju(:,4),r)holdon plot(x,data(101:169,5) 广义回归神经网络(GRNN)代码： clc; clearall closeall nntwarnoff; %载入数据 data=xlsread(F:wenti2shuju); %载入数据并将数据分成训练和预测两类 l=100;

41、shuju=; whilel169 p_train=data(1:l,1); t_train=data(1:l,2:5); p_test=data(l+1,1); t_test=data(l+1,2:5); %交叉验证 desired_spread=;mse_max=10e20; desired_input=; desired_output=; result_perfp=; indices=crossvalind(Kfold,length(p_train),4); h=waitbar(0,正在寻找最优化参数.) k=1; fori=1:4perfp=; disp(以下为第,num2str(i)

42、,次交叉验证结果) test=(indices=i);train=test; p_cv_train=p_train(train,:); t_cv_train=t_train(train,:); p_cv_test=p_train(test,:); t_cv_test=t_train(test,:); p_cv_train=p_cv_train; t_cv_train=t_cv_train; p_cv_test=p_cv_test; t_cv_test=t_cv_test; p_cv_train,minp,maxp,t_cv_train,mint,maxt=premnmx(p_cv_train,

43、t_cv_train);p_cv_test=tramnmx(p_cv_test,minp,maxp); forspread=0.1:0.1:2; net=newgrnn(p_cv_train,t_cv_train,spread); waitbar(k/80,h); disp(当前spread值为，num2str(spread); test_Out=sim(net,p_cv_test); test_Out=postmnmx(test_Out,mint,maxt);error=t_cv_test-test_Out; disp(当前网络的mse为,num2str(mse(error) perfp=p

44、erfpmse(error); ifmse(error)mse_maxmse_max=mse(error);desired_spread=spread;desired_input=p_cv_train; desired_output=t_cv_train; end k=k+1; end result_perfp(i,:)=perfp; end; close(h) disp(最佳spread值为,num2str(desired_spread) disp(此时最佳输入值为) desired_input; disp(此时最佳输出值为) desired_output; %采用最佳方法建立GRNN网络net=newgrnn(desired_input,desired_output,desired_spread); p_test=p_test; p_test=tramnmx(p_test,minp,maxp); grnn_prediction_result1=sim(net,p_test); grnn_prediction_result=postm