1、神經網絡算法及對未來一月的天氣狀況預測摘 要 隨著對氣象各項數據的觀測手段、技術上的提升，對于各項或取得數據種類，精度上都有著更好的超越，而對于氣象溫度進行預測是目前預測數據中最重要的需要解決的問題之一。 針對如何選擇預測一個月內的天氣情況，本次利用神經網絡方法來解決這個難題，因為這股方法在處理非線性難題上有著極強的適應性，完全適合天氣這種擁有極大不確定性的數據研究。首先利用MATLAB軟件搭建天氣指數模型，其中最主要用到了神經網絡工具箱來實現大部分操作，然后再使用BP和RBF算法來提高它的預測精度，這兩種不同的算法在神經網絡中的運用證明了這項方法是非常有效的，而基于神經網絡展開的天氣預測對于

2、社會來說，能夠起到很好的空氣污染和局部精確監測的作用，并給世界氣象的檢測一個全新的解決方法。 在整個模型的構建和參數設計中，不斷對未來一個月的氣象溫度如何監測的問題展開分析，不僅在文中對深度學習和氣象預測的理論進行整理優化，還通過實驗結果證明了深度學習方法比傳統的淺度神經和向量機的方式來的更加準確。隨后將傳統所泛用的向量機模型融入到神經網絡方法中加以改進，因此大大提高了算法的效率。關鍵詞： 深度學習 天氣預測 神經網絡 Neural network algorithm and forecast of weather conditions in the coming monthAbstract

3、With the improvement of the meteorological data observation methods and technology, the accuracy of each type of data obtained or obtained has been better surpassed, and the prediction of meteorological temperature is the most important need to be solved in the current forecast data One of the probl

4、ems.Regarding how to choose to predict the weather conditions within a month, this time using neural network method to solve this problem, because this method has a strong adaptability in dealing with nonlinear problems, and it is perfectly suitable for the weather with great uncertainty Data resear

5、ch. First use MATLAB software to build a weather index model, most of which use the neural network toolbox to achieve most operations, and then use BP and RBF algorithms to improve its prediction accuracy, the use of these two different algorithms in neural networks It proves that this method is ver

6、y effective, and the weather forecast based on neural network can play a very good role in air pollution and local precise monitoring for the society, and give a new solution to the detection of world meteorology.Throughout the construction of the entire model and the design of parameters, the issue

7、 of how to monitor the meteorological temperature in the next month is continuously analyzed. Not only is the theory of deep learning and meteorological prediction organized and optimized in this article, but also the experimental results have proved that The traditional shallow neural and vector ma

8、chine approach is more accurate. Subsequently, the traditionally used vector machine model is integrated into the neural network method to improve it, thus greatly improving the efficiency of the algorithm.Keywords: Deep learning; Weather forecast; Neural Networks目 錄引 言11.1 本課題的研究背景11.2 本課題的研究意義21.3

9、 國內研究現狀31.4 研究主要內容3第二章 神經網絡算法相關理論介紹52.1神經網絡相關理論介紹52.1.1神經網絡結構52.1.2隱藏層包含單元數設計62.1.3初始權值的選擇62.2 BP網絡相關函數詳解7第三章 數據預處理83.1數據清洗83.2數據標準化8第四章 數值模擬實驗114.1 實驗環境114.2 模型建立114.3 數據處理124.4 BP神經網絡設計134.5天氣預測功能15第五章 總結與展望165.1總結165.2展望16參考文獻：18致 謝20附 錄21 III引 言1.1 本課題的研究背景隨著我國計算機與互聯網技術的不斷發展，我國各大行業智能化的進程得以不斷的加快，

10、特別是在進入2019年以后，我國氣象監測行業的發展正在逐漸向外國的最好的產品靠攏，使得我國各個行業中的測量技術得到了不錯的改進。計算機軟件技術與網絡技術的發展使得，越來越多基于計算機技術與網絡技術的軟件系統得以被應用到我們的日常生活和工作中去。可以說在信息化如此發展的今天，氣象監測已經對我們的日常生活帶來了不可思議的變化，同時它對機械的生產，工廠的測量的進程起到了不可磨滅的作用，人們在經歷了氣象監測所帶來的優質生產和生活后，想再次回到過去糟糕的測量模式下是不可能的。軟件信息管理系統被應用到各行各業中，不僅因為它有著各項專業化的測量方法，同時它基于較高計算精度與速率的硬件設備，可以滿足更高的計算

11、要求1。在有關技術的強大支撐下，我國數據管理模式逐步從人工向信息化管理迭代發展，借助計算機軟件系統不僅可以實現對數據的檢測、統計、計算、維護等操作，還能夠通過諸多的可視化界面對信息數據有更加直觀的感受。進入2020年，我們應更好的利用計算機技術為我們的生產生活所服務，設計出更多優質、高效、全面的氣象監測，讓科技改善人們的生活質量。伴隨著當代的大數據，讓測量的方式會更加的方便，其安全性也較之人力更加的高，比如工廠的生產系統，時刻檢測每一個零件的精確尺寸，讓使用者通過手機、遙控器、路由器來控制，發出對應指令來完成復雜的事情，中間的具體操作封裝，所以操作十分簡單，大部分人都能夠很快理解上手，并且家具

12、產生的隱患都能夠精確反映給人們，將人們從人力管理的方式中解放出來，這是目前人們非常需要的。從1984年氣象監測的概念出現以來，世界各國都認可這一理念能帶來巨大的財富，而一個完整的氣象監測系統需要網絡通訊、嵌入式、計算機編程這些技術，而我國落后于世界很多年，所以在1990年后才引入氣象監測這個先進的概念，中國企業發現了商機，開始涉獵氣象監測行業。雖然中國研發氣象監測的起步時間晚，但是在互聯網的興起過程中迎來爆發式的進步，國家政策也對氣象監測系統優待很多，目前其已經在國際市場有了一席之地 2。氣象監測中負責電力的系統內部有著專門的區域負責存儲，而其中氣象監測便是參與整個存儲過程的重要部件之一，它不

13、僅負責連接儲存能源的設備，還可以連接直流電路的所有線路，除了可以連接設備和母錢之外，這款氣象監測所能做的可以將存儲起來的電能給釋放到其他線路上，在需要的時候將獲得的能源給儲存在內部。所以這款負責這么多項功能的氣象監測與微電網的運行情況是成正比例關系的，也就是說氣象監測的輸出能力越厲害，那么微電網的整體效率也會因此大大的提高，而一個無法承受長期電力輻射的轉換器將會因為這種環節縮短工作壽命，并且還會影響到氣象監測的工作能力，最終導致微電網不再能夠穩定的運行，最終破壞了微電網的經濟收益。所以面對傳統的氣象監測所具有的低效率和短壽命的現象和功率輸出密度不一致的缺點，本次所設計出來的氣象監測不僅抗老化，

14、還有著更高的輸出和輸入能力，這代表著整體的轉換速度大幅度上升，最終給老板帶來的便是巨大的經濟效益。而經過長時間整理的資料，我們不難發現過去的氣象監測缺少了一套完整而系統的理論，所以本次的劉俊文將對專門應用于微電網的氣象監測進行條理清晰的論述：本文先從工作的模式來比較氣象監測模式和交錯并聯的優缺點，再在通過它們不同的控制手段來證明氣象監測才是更合適微電網的首選之擇；然后將從信號采用怎樣的采集模式，以及數字調控等方面進行設計，然后對輸出輸入的控制電路進行檢測優化，當然還有重要的通信方面需要控制；在第一環節分析了兩者之間的控制手段不同之后，選擇了氣象監測，并根據所分析的數據設計一臺功率在10kW以上

15、的機器，并在此基礎上配置好一個類似微電網的電路，然后在這樣的電路上測試這臺10kW的樣機，多次測試后發現結果都是遠遠高于本次的設計要求的，因此本次的實驗能夠確認任務書所描述的理論是基本無誤的。1.2 本課題的研究意義氣象監測作為負責存儲的核心元件之一，其最主要的作用便是保證電壓的穩定，而電壓會因為實際情況而被不同的因素所影響，并不是每時每刻都能夠有著恒定而較高的功率的，比如說大量的風力發電都會因為風力的強弱而改變，發電機的實際輸出功率隨著風力的減弱而下降，隨著風力的增強而上升；而我們日常生活中常用的光伏發電也是一樣的情況，會因為烏云等障礙物的飄過或遮擋而降低發電總量，因為環境因素影響到了工作效

16、率，而如今所提倡的新能源發電總是會因為各種各樣的因素而無法滿足大部分用戶的需求，而新能源的形式千姿百態，除了基本的光照，風力這些以外，還有沼氣等新能源并入到了電網體系，目前我們將新能源替換煤炭等舊能源的過程中，不可避免的帶來了一些不穩定的結果，這些不穩定的因素長期下極大的破壞了以往穩定的電網，并且這樣的結果違背了新能源高效替換的本質。所以氣象監測作為其兩者之間的介質，即便這些新能源供能的時間和強度并不是統一而穩定的，但是只要新能源產生了電力，那么氣象監測就能夠將這些能源給暫時的存儲起來，提供滿足用戶日常生活所需的電量并把額外剩下的電量作為后方以防萬一的儲備，這樣的設定即便面對用戶需求突然增加或

17、者停電等特殊情況也能做到游刃有余的地步。氣象監測如此卓越的性能使它不僅在微電網中擔當重任，還對大部分的燃料電池設備起到了很好的保護作用，因為燃料電池是目前推出的綠色無污染的新來源，相對來說因為其復雜的結構而導致研發和建造成本直線上升，如此昂貴的設備必須用更加合適的交換器才可以保證穩定工作，所以氣象監測在此時便起到了良好的保護效果，它比一般的交換器能更好的保護燃料電池，即便電流在某一時刻變大也能保證膜電極不會因為過低的電壓而被破壞，所以電池內的氣體也不會泄露出來，目前的燃料電池因為氣象監測而極大的延長了工作壽命。而氣象監測目前還被應用到我們常見的產品中，最常見的便是我們的電動汽車這一塊，在倡導綠

18、色無污染的現代理念中，如何減少石油使用的需求讓電動汽車這一種類型誕生了，因為電動汽車顧名思義就是通過電池驅動的汽車，所以并不會需要石油，也就不會產生大量的尾氣，雖然想法頗為現金，但是電池上面的問題一直沒有被完全解決，目前市場上的品牌電瓶汽車依舊無法匹敵傳統汽車的行駛速度和距離，而氣象監測的利用就能夠在一定程度上提高電池的利用率。除了電瓶汽車這些日常品以外，制造業和大量加工業的昂貴設備其實也需要UPS系統，而UPS的核心其實也使用了氣象監測這種穩定的設定。1.3 國內研究現狀自氣象監測這一概念的產生，到中國開始知曉這一理念時，已經過去了六年以上，因此我們得承認，國外的功能范圍，技術核心，先進理念

19、都是遠遠超過國內的現狀的。具有代表性的國家便是歐美，不僅氣象監測的研發時間很早，而且到目前為止技術上已經趨向于完美，并且在日產生活中的普及很到位，所以目前的氣象監測現狀基本都是采用氣象監測為核心。在幾年前的統計資料中，世界各地大型的氣象監測廠家就已經有兩百多個，這些廠家生產的種類也有四百多種，四百多種類型應用于生活大大小小的面，由此可以看出外國的氣象監測普遍率十分的高。把這些廠家按位置，影響力，銷售率進行分類的話，可以分為美國生產、歐美生產以及日本生產。這三類生產都有自己的核心競爭力，比方說日本的生產產品大部分都是結構緊靠，因此具有很小巧的外觀，這樣的設計占據了設備更小的空間，與此同時它的價格

20、相對于歐美更加的低廉；美國生產的產品價格雖然說這三類中最貴的，但也是產品質量最優秀的，因此這樣也避免了電動車的核心單片機被一方壟斷，各自的競爭促進了產品的更新優化，是非常積極的。因為國外生產氣象監測的廠規模逐漸龐大，自1990年開始，國家便制定并不斷調整了氣象監測的生產標準、管理方法。我國雖然在外國發展成熟的時候才可以研發氣象監測，即便之間差距了十幾年的技術、理念、經驗，但是我國國力強盛，人才輩出，在互聯網的推動下已經逐步追上了歐美的腳步，師夷長技，技術也在飛速的提升，某些方面已經達到世界領先水平。我國的著名學者們寫了很多關于氣象監測的書籍，其中王兵的書上提到氣象監測目前已經成為了氣象監測，這

21、種機電一體化的氣象監測有著其他方式所不具有的優點。隨后對目前氣象監測存在的技術問題，構思理念進行分析論證，這本書描述的設計更加的節約能源，整體架構十分的安全穩定。1.4 主要研究內容第一章，緒論。本章節先是介紹了本系統在當下時代的地位，背景。隨后對本系統開發出來對于社會的意義，究竟是怎么幫助改善的，在1.2節闡述了當下這款系統在世界上研究的具體情況，近年來的發展簡史以及未來這套系統的實際意義和發展前景，并舉例一些國外成熟產品進行講解，指出它們的優異之處和一些需要摒棄的部分，以及這些對本文設計思路的影響；第二章，神經網絡方法的選取和分析，以及使用的關鍵技術講解。硬件設計部分主要介紹了本設計的設計

22、思路，設計方案，以及一些電子元器件的選型等，通過本章具體分析本設計的要求；在開發數據采集系統的時候，對其所選用的單片機控制單元、溫濕度傳感器的選用等，都做了充分的闡述；第三章，對各項數據的預處理進行了分析，要對上述的選用的通過對本設計電路圖的詳解，了解硬件電路的具體的設計過程；使用的是AD軟件對系統的各個模塊的電路圖進行了分析和設計，從而達到了對系統在整體進行設計的目的；第四章，系統各項功能的測試改善和成品展示，即展現了本系統的和下位機協同工作的時候的場景，并對相關場景的發生現象進行了說明，重點展示了上位機接收模塊示意圖；第五章是本設計的總結，對本次設計過程中，所遇到的問題進行總結，并得出相關

23、的結論。第二章 神經網絡算法相關理論介紹2.1神經網絡相關理論介紹2.1.1神經網絡結構從本質上來講，BP 神經網絡也是一種前饋神經網絡。最簡單的前饋神經網絡就是感知器。感知器的結構設計來自生物學中的神經元，神經元如圖 2-1 所示：圖2-1 神經元BP 神經網絡是一個多層感知器，只不過更加關注方向參數的調整。BP 神經網絡除輸入與輸出層外的中間層成為隱含層。 單個感知器無法解決非線性問題。BP 神經網絡解決非線性問題的方法是采用激活函數9。激活函數在0 到 1 之間，滿足這些條件的函數有很多，常見的如 Sigmoid 函數、tanh 函數、Re LU 函數等。 下圖是擁有兩個隱含層的 BP

24、神經網絡結構圖，如圖 2-1 所示：圖 2-2 BP 神經網絡結構圖神經元的功能可簡單總結為以下幾個方面： （1）自適應性。 （2）時空整合功能。（3）神經元具有兩種不同的狀態。 （4）電位與脈沖轉換。 （5）突觸的延時和不應期。 2.1.2隱藏層包含單元數設計如果隱藏層節點數目過少，那么該淺層神經網絡的表達能力會很差，或者出現網絡不強壯的情況，得到的模型容錯性比較低，不魯棒，但如果隱藏層的節點數目太多又很可能導致網絡訓練所需要的時間成本變高10，下面就介紹本文參照的以下幾個經驗公式：Pi=1Ic(Hi) （2-1）H=(1+J)0.5+k （2-2） H=log2I （2-3）以上公式中，P

25、表示樣本數量，H表示隱藏層的節點數，I表示輸入層的節點數，J表示輸出層的節點數，k是一個1-10之間的整常數。 2.1.3初始權值的選擇對于一個淺層神經網絡而言，網絡最初的權值的選擇對于網絡訓練能否收斂有著極大的影響，在本文對淺層神經網絡的實驗中利用公式：Wij(n+1)=(,i)+Wij(n) （2-4）用以更新權值。上式中的是學習率，為動態向量參數。從上式可以看出，較大的值可能會有一個較為快速的訓練的過程，但也有可能造成訓練精度的上下波動，結果錯過最優解。通常情況下使用 BP 神經網絡算法時，往往一次迭代采用多組數據，也就是批量訓練方式，一次采用數據的組數是根據計算機能承載的負載量來定。一

26、般采用 2 的 n 次冪。 采用批量訓練方式帶來的好處就是容易實現并行化，所以能大大提高學習速度。但是，批量訓練方式需要較高的機器性能，因此對于小規模的數據集時常采用串行訓練方式。2.2 BP網絡相關函數詳解隨著人工智能與大數據的興起，很多的編程工具以及其他相關語言的工具箱也在不斷地更新之中11。表 2-1 與 BP 網絡有關的函數函數名稱功能logsigLog-Sigmoid 函數tansigTan-Sigmoid函數newff創建一個BP網絡Feedforwardnet創建一個BP網絡（推薦使用）Newcf創建級聯的前向神經網絡Cascadeforwardnet創建級聯的前向神經網絡（推薦

27、使用）Newfftd創建前饋輸入延遲的BP網絡第三章 數據預處理3.1數據清洗對于數據清理，可以使用以下的幾種方法：當遇到特殊情況時，比如說，如果數據里有例如多云，陰之類，文字類的數據時，可以將其轉換成數字的數據格式，而當遇上一個極端數值，比如溫度超過50度或者低于零下30度時，可以把它換成它之前或之后的兩個值的平均值或者是某一時間區間的平均值；。在這個畢業項目中，數據清理是用Python完成的。如圖3-1所示，部分原始消息中的某些天氣數據已經過代碼轉換，格式處理和其他清理過程。右圖是處理后的信息摘要。可以看出，所有屬性元素的所有數據類型都是相對干凈的，最大值和最小值在正常值范圍內。特別是在本

28、文中測量了某些值，例如，溫度值300表示30C，風速30表示3m / s風。圖 3-1 部分氣象數據資料轉換清洗后的統計信息3.2數據標準化為了解決諸如由于數據量過多引起的計算效率之類的問題，有必要對數據進行一定的統一處理。如果在訓練過程中未對數據進行預處理，則必須對原始數據進行規范化處理，否則將導致例如計算失敗，計算機系統負載增加或模型不收斂的問題。標準化通常與權重的初始化相互作用，以允許在每種算法的開始和結束時執行壓縮行為，從而生成非標準化的數據格式以獲得所需的結果。所以，數據標準化可以提高存儲能力，同時提高計算性能。同樣數據還受維度影響。 作為非線性導數的函數的梯度將始終為非零。接下來是

29、本次畢業設計中所用到的數據標準化的處理和算法實現的步驟（1）最小最大值標準化最小最大值標準化（Min-Max 標準化）也稱離差標準化，將數據處理成0到一之間的合理范疇內。 轉換函數定義為：Y(x)=x-MIN(X)MAX(X)-MIN(X)（3-1） 其中：MIN(X)為序列數據樣本里的最小值；在實際應用中，對 MIN-MAX 函數算法實現如下(見表3-1)：表3-1 MIN-MAX 算法實現輸入：數據集 dataSet輸出：轉換后的數據集 normDataSet，以及中間差值 ranges，最小值 minVals，用于反標準化計算1 function minMax(dataset):2 mi

30、nVals = dataSet.min(0)3 maxVals = dataSet.max(0)4 ranges = maxVals - minVals5 normDataSet = zeros(shape(dataset) #初始化 normDataSet 值6 m = dataSet.shape07 normDataSet = dataSet tile(minVals,(m, 1) #對每個 x 操作8 normDataSet = normDataSet / tile(ranges,(m, 1) #求得Y(x)9 return normDataSet, ranges, minVals一般來

31、說，在數據是離散的，而且數據的最大最小值偏離常態的情況中，Min-Max 標準化的應用比較廣泛，處理后的數據將遵循（0，1）標準正態分布。 通常來說我們會給出以下定義：Yx=x-x（3-2）其中：是所有元素的平均值是所有元素的標準差。表3-2 Z-score 標準化函數實現輸入：數據集 train_toltal_data輸出：數據集 normDataSet，以及樣本均值，標準差，用于反標準化計算1 function z-Score(data)2 mean_train=np.mean(data, axis=0) #求每列均值3 std_train=np.std(data, axis=0) #求每

32、列標準差4 normDataSet=(data - mean_train) / std_train #按公式進行計算5 return normDataSet,mean_train,std_train第四章 數值模擬實驗4.1 實驗環境本次具體的實驗環境配置為：操作系統：Windows 數據庫：My SQL 應用服務器：騰訊云 硬件環境：CPU 為 Inter 四核、網絡 100M、存儲器應采用 SCSI 高速硬盤且容量應大于 300G，數據備份可采用磁盤陣列 Raid5（非最低配置環境）。4.2 模型建立基于RBF神經網絡的天氣預測模型的具體預測流程如圖4-1所示：圖4-1 神經網絡預測流程4

33、.3數據處理表4-1 某地2013年天氣數據（部分）2013-02-01192晴微風小于3級2013-02-02174多云微風小于3級2013-02-03185多云微風小于3級2013-02-04194多云轉晴微風小于3級2013-02-05214晴微風小于3級2013-02-06236晴微風小于3級2013-02-07244晴微風小于3級2013-02-08238晴微風小于3級2013-02-09236多云微風西南風小于3級3-4級2013-02-10234晴微風小于3級如表4-1，是利用python軟件搜集的某地2013年的部分天氣數據，混雜的原始數據包括不同的數字，字符串等，不利于進行計

34、算，所以需要對這些數據進行清洗，標準化。在將獲取的數據放到 BP 神經網絡進行訓練前，需將獲取到的輸入因子映射到0,1之間，轉換函數如式（4-1）所示：y=xi-xminxmax-xmin （4-1）其中，xi 是里第 i 個值，yi是樣本數據第 i 個值，xmin、xmax 分別是樣本數據的最小值和最大值。由于天氣不是每天固定的，可能一天出現多種天氣，以及一種主要天氣，如小雨，附帶有另一種天氣，如雨夾雪，這會給數據使用帶來極大的不便，所以為了方便，現將天氣狀態簡化，如表4-2表4-2 天氣狀態標準表編號簡稱包括0晴晴，晴轉多云，晴轉小雨等1多云多云，陰，多云轉陰，陰轉小雨等2雨小雨，中雨，大

35、雨，雨夾雪，小雪等由于霧靄天氣樣本太少無法擬合，加入會造成誤差，故舍棄經過數據清洗后的部分數據如表4-3所示：表4-3 天氣數據經過處理后的部分0.1612900.60000000.2258060.60000010.2580650.53333310.2258060.56666710.2258060.60000000.2903230.66666700.2258060.73333300.3548390.76666700.2903230.73333310.2903230.73333304.4 BP神經網絡設計本預測系統需要定義好迭代次數、學習率以及隱含層數等。 BP 神經網絡在訓練時，輸入樣本的維度

36、高會影響網絡的訓練速度，增加訓練時間。為盡量減少訓練誤差，選取模型的迭代次數為 10000，學習率為 0.5，隱含層數選取為 1 層。首先開啟訓練，最開始設定總體誤差為 0，并對迭代次數計數，并將隱含層、輸出層、輸出層各神經元誤差、隱含層各神經元誤差分別進行保存，然后將90%的數據錯位訓練樣本進行訓練，訓練過程中必須遍歷每個隱含單元的結果。最后使用剩余的10%的數據，對訓練后的模型進行測試，如圖4-2，4-3，得到測試數據的輸出，然后定義隱含層的個數，并保持暫時不變，確定輸出個數就等于測試數據的的輸入個數，然后就開始測試。保證測試前先訓練，就返回空值，并對隱含層個數計數，隱含層的數量由權值和測

37、試數據之積決定。圖4-2 某月26日預測天氣數據與實際天氣數據對比圖圖4-3 某月27日預測天氣數據與實際天氣數據對比圖4.5天氣預測功能部分預測結果如表4-4所示：表4-4 天氣預報功能天氣風向最高溫度最低溫度風速陰東風29245小雨南風30255多云西南風32255中雨西北風30255中雨西南風29225多云西南風28215第五章 總結與展望5.1總結氣象預測方面隨著國內各個方面相關技術的發展而促進，尤其是計算機方面的技術的推進促使了系統如何提高整體工作效率。而傳統的辨識模式也擺脫了單一低效的窘境，在自動化控制的基礎上與其他科學技術加以整合，向著更好的方面進行研究。本文所要設計系統是為了能

38、夠在高效的測量的功能上，將它與MATLAB相結合，形成更加完美的測量管理系統，因為MATLAB作為各大行業應用最多的平臺，是經受過各種考驗的。自開發技術發展以來，良好的可視化編程就受到一致的追捧。經過測試后，與GPIB設備、VXI總線、串行口設備等硬件的連接都是很穩定快速的；在傳輸數據的途中，如果需要采集數據的話，只需要探針點擊界面；MATLAB不同于其他平臺，無論是Windows，還是Linux，都支持使用。綜上所述種種優點，它能夠成為使用率最高的產品是實至名歸的。并且MATLAB如今被應用到了制造業等需要實時監控設備的行業，所以它是一個成熟的編程平臺，非常適合本次的測量設計，而這款數據采集

39、軟件本身設計出來就是為了支持大部分的硬件，它還集成了RS-485等通信協議，而它圖形化的用戶界面更是保證了用戶交互的良好性。本次設計使用MATLAB對直流電機的輸入和輸出電壓進行辨識，隨后再對整個過程的轉速參數進行研究，最終多次測試和改進后得到了相對合適的數據，能夠完成本次的目的氣象預測。在后續的進展中，將對如何保證每一個時間周期內都能夠精準控制進行調整，并在這樣的基礎上進行研究更加合適的辨識方式，也就是在線辨識。對于這個辨識方式的研究，自然需要之前對直流電機的電壓辨識數據，隨后根據測量結果對它的速度在整個流程中進行管理控制。5.2展望雖然氣象預測擺脫過去的低下性能，再電容的容量和處理上有著更

40、好的選擇，其本身負責控制和執行的芯片也在技術的改進中突破了原有的局限，但是工業各個模塊也在與時俱進著，如果不能夠對氣象預測提出更高的電能方面的標準，那么它將在新的機器上很難做到穩定而快速的作業，而面對像噴漆這種類似的多變的工藝面前，如何根據不同的復雜程度而靈活改變也是近期需要投入精力的一大點。 目前工業主要提倡了綠色環保的能源模式，而這種新能源的使用正好能夠被新的能夠在微電網中成功的應用起來的氣象預測模式所解決。但是本次設計因為時間上的局限而無法對這款新的氣象預測進行壽命判斷，而氣象預測的整體壽命也不僅會因為時間的影響而老化，也會因為長期的電輻射下快速老化，進而影響了它的輸出效率。所以要想完成

41、這樣的測試，就要在每個相種都有著單獨處理的電感下，保證每個相都平坦了所有的電流。另一方面，從空間的分配角度來看，氣象預測的效率還會因為當時的工作相數而產生變化，所以還需要多次調整每個硬件的位置來保證氣象預測一直能夠穩定而最高功率的工作。 目前的氣象預測其實還有著很高的改善之處，目前一些學者測試發現電源如果在小功率下是能夠最大程度上發揮出效果的，并且穩定性上比上面所研究的還要高，其實這種小功率的電源已經被投入到應用中，EMI上也有著極高的優勢，但基本都被運用在軍事領域中。而工業上的電源都是功率十分大的，高功率意味著其難度上頗為的復雜，因此很難將多個高功率的設備進行集成。除了大學四年學習到的虛擬機

42、和信號理論以外，我還在網上和學校的圖書館內查詢并整合所需要的數據，同時也完成了基于虛擬儀器的相關的開發。本次設計涵蓋的知識范圍之廣，所涉及的深度之深入，讓我對本次的氣象預測設計有了更深刻的理解和構思，這次的畢業設計對于知識的整理和調用是非常有意義的行為。在對整個系統設計完成后就需要進行實際物體的焊接，但是一開始沒有規劃好每個物體的合理位置，而每個硬件的接線是非常多的，所以經常會因為線路的漏接或者系統的線路插錯而導致短路的結果，面對這樣的情況我們需要在一開始就規劃好每個硬件的位置，減少不必要的線路穿插，并且后期的短路情況需要仔細的，里里外外的排查干凈，最終我不僅解決了所有的排線問題，還提高了自己

43、的耐心。雖然我的基礎相對薄弱，但是努力的過程中面對飛撲而來的眾多問題，我總是去尋求解決方案，而我的老師也總是非常耐心，最終我的問題在大家的不懈努力之下排除干凈，并且我還擁有了解決問題的整體思路，并從老師那里學到了很多的學習方法。而在研究這次設計的中間，我還從設計中得到了很多的靈感和想法，而這些想法也對后來的辨識方法產生了積極作用。除了測試出對系統辨識的最佳模型和所有的算法以外，我還在系統的工具選擇上和開發方式上有了個性化的想法和處理形式。并且期間MATLAB作為我的主要使用軟件，在適應中發現它對數據采集方面有著非常好的作用。在后來的數據處理中，我發現如何將處理信號的方法用在處理這些數據上會有著

44、異曲同工之妙，隨后我便將這個方法帶入，果然這樣大大降低了對硬件高性能的需求。我明白，氣象預測的技術同時也是離不開各種相關技術的發展和硬件的支持的。參考文獻：1 劉明軍, 上官帖, 童軍心,等. 一種基于氣象和神經網絡的絕緣子污閃預警裝置:.2 袁超. 基于改進RBF神經網絡模型的氣象能見度監測方法研究J. 新一代信息技術, 2019, 002(016):50-54,65.3 田靜毅, 范澤宣, 孫麗華. 基于BP神經網絡的空氣質量預測與分析J. 遼寧科技大學學報, 2015(02):53-58.4 王東明. 船載氣象監測預報系統研發課題2013年度科技報告J. 科技資訊(9期):167-167

45、.5 張飛漣, 劉嚴萍. 經驗模態分解與神經網絡方法在降水預測領域的應用研究C/ 中國系統工程學會學術年會. 0.6 張飛漣, 劉嚴萍. 經驗模態分解與神經網絡方法在降水預測領域的應用研究C/ 中國系統工程學會學術年會. 2014.7 熊晨曦. 基于BP神經網絡的高速公路能見度預測J. 江西公路科技, 2015(3):79-82.8 李虹, 馮彥輝, 林君. 基于改進BP神經網絡的路面狀態識別研究J. 微計算機信息, 2010(02):11-12+54.9 瞿英, 王冕, 董文旭, et al. 基于BP神經網絡的農田大氣氨濃度預測J. 中國生態農業學報(中英文), 2019, 000(004

46、):P.519-528.10 王佳, 郭春燕. G6高速內蒙段冬季公路路面溫度變化特征以及預報模型C/ 第34屆中國氣象學會年會 S. 2017.11 張和喜, 楊靜. 貴州區域干旱演變特征及預測模型研究M. 中國水利水電出版社, 2014.12 徐立萍, 張鑫. 基于BP神經網絡的吉林省中部旱情預測J. 吉林水利, 2012(01):44-45.13 馮樷, 劉戈, 黃勇, et al. 基于BP神經網絡的天津市PM2.5濃度預測研究J. 環境科學與管理, 2016, 41(6).14 董婷, 趙儉輝, 胡勇. 基于時空優化深度神經網絡的AQI等級預測J. 計算機工程與應用, 2017, 0

47、53(021):17-23,41.15 謝超. 華北西部地區典型城市環境污染特征、變化規律、環境氣象相關性及預測研究D. 2015.16 董婷. 基于時空優化深度神經網絡與參數組合尋優的AQI預測D. 2018.17 盧建平, 黃建平, 郭學良,等. 探測大氣溫濕廓線的35通道微波輻射計設計原理與特點J. 氣象科技, 2014, 42(2):193-197.18 郭橙, 毋立芳, 杜建蘋,等. 大氣電場數據與雷電相關性的深度學習算法J. 信號處理, 2017, 033(004):607-612.19 劉博威. GPS反演大氣可降水量與區域PM2.5的相關性研究D. 2019.20 張振濤. 光

48、伏發電系統最佳安裝角度優化及輸出功率短期預測D. 2015.21 丁承君, 劉強, 田軍強,等. 信息物理系統事件驅動下的農業氣象監測系統J. 江蘇農業學報, 2018(4):825-834.22 王東明. 船載氣象監測預報系統研發課題2013年度科技報告J. 科技資訊(9期):167-167.23 王佳, 郭春燕. G6高速內蒙段冬季公路路面溫度變化特征以及預報模型C/ 第34屆中國氣象學會年會 S. 2017.24 郭橙, 毋立芳, 杜建蘋,等. 大氣電場數據與雷電相關性的深度學習算法J. 信號處理, 2017, 033(004):607-612.25 張和喜, 楊靜. 貴州區域干旱演變特

49、征及預測模型研究M. 中國水利水電出版社, 2014.26 盧建平, 黃建平, 郭學良,等. 探測大氣溫濕廓線的35通道微波輻射計設計原理與特點J. 氣象科技, 2014, 42(2):193-197.致 謝大學本科四年的時光匆匆流去，人生中在學校學習的最后一段生涯即將走到盡頭。這四年間的學習和生活中得到了許多老師和同學的支持我感到十分的幸運。本次畢業設計從選題到論文的完成，每個過程都離不開老師的幫助和指導，我要感謝畢設老師。畢設老師是我本次設計的主要指導老師，他對我提出的每一個問題都耐心回答，有時間就會組織同組學生實地指導和學習。畢設老師看待問題全面且嚴謹，傳授給我非常專業的知識使我受益匪淺

50、。畢設老師是這次畢業設計我們大組的負責老師也是最初教授我神經網絡算法基礎及對天氣預測知識的老師，畢設老師在教課過程中認真且不失幽默也使我對神經網絡算法基礎及對天氣預測等有關的知識有了全面的了解，并且各個部分都因為老師的講解而將所學的知識緊密結合，互相關聯在一起。除了一直指導我，鼓勵和督促我的親愛的畢設老師以外，其實走到今天這一步，是離不開這短短四年內遇到的所有課程老師和親愛的學生們的，正是因為他們的力量我才能夠站在這里，正是因為這幾十門課老師認真的解惑，每一個任課老師都不曾半點松懈，將自己的所學用著心血傳授給我們，而我也不敢絲毫忘記，且深深的明白只有優秀的成績才是反饋給老師們最好的答案。而我在

51、完成這次神經網絡算法基礎及對天氣預測的過程中還離不開幫助我的同學們，我們互相幫忙，對彼此不懂得地方加以探討，因此我們不僅理解了曾經未曾消化掉的知識，還將四年來所學習到的知識更加鞏固在了腦海里，每當想到這里，我的腦海里總是閃過每一刻他們幫助我的樣子，正是這樣強盛的母校，才誕生了我們這樣的優秀學子，我們為身在這樣的母校而自豪，在這四年里我的專業水平也在提高，因為老師的教誨才讓我有了極高的專業素質，所以即便要邁出學校的大門，我依舊不曾害怕，因為學校的四年讓我有了反哺社會的能力，我將弘揚學校的本質精神，傳達出我的信念，將這四年所學的知識傾灑在未來的工作生涯中。我也深深的堅信，我在未來的每一個或大或小的

52、成果都離不開每一位老師的教導。當然除了愛我指導我的老師們和互相幫助友善的同學們，我還要感謝的人還有很多，比如網上那些曬出自己的經驗和技術的博主們，設計系統的時候難免會遇到難關，這個時候我們并不會第一時間去求教老師或其他人，增加他們的負擔，而是想著自己能夠在網上百度相關的資料或者博主經驗，正是這些博主的詳細的講解，才讓我面對每一個問題都不在慌張，因為我總能在網上找到的資料和自己的思考相結合在一起，最終形成了我想要的答案，這些前輩們耗費無數時間和心血的結晶幫助了我在論文的整個階段都起到了很大的作用，方向決定整體的格局，正是因為這些前輩的成果，才減少了我大量試錯的時間和成本，而這些時間的節省意味著我能夠花費更多的時間去投入到系統的開發上，能夠將更多的精力用在其他更重要的地方。再次我想再次感謝那些幫助我的人，那些指導我愛我的老師們，友善的同學們，所有愿意將自己的經驗和技術放在網上的博主們，謝謝你們！附 錄#!/usr/bin/python# encoding:utf-8import numpy a