2008第一屆二階段優(yōu)秀

1、2008 年 第一屆“數(shù)學(xué)中國(guó)杯”數(shù)學(xué)建模網(wǎng)絡(luò)賽承諾書(shū)仔細(xì)閱讀了首屆“數(shù)學(xué)中國(guó)杯”數(shù)學(xué)建模網(wǎng)絡(luò)賽的競(jìng)賽規(guī)則。完明白，在競(jìng)賽開(kāi)始后參賽隊(duì)員不能以任何方式（包括、電子郵件、網(wǎng)上等）與隊(duì)外的任何人（包括指導(dǎo)教師）研究、與賽題有關(guān)。別人的成果是競(jìng)賽規(guī)則的, 如果知道，別人的成果或其他公開(kāi)的資料（包括網(wǎng)上查到的資料），必須按照規(guī)定的參考文獻(xiàn)的表述方式在正文處和參考文獻(xiàn)中明確列出。鄭重承諾，嚴(yán)格遵守競(jìng)賽規(guī)則，以保證競(jìng)賽的公正、公平性。競(jìng)賽規(guī)則的行為，受到嚴(yán)肅處理。允許數(shù)學(xué)中站()，以供網(wǎng)友之間學(xué)習(xí)交流，數(shù)學(xué)中站以非商業(yè)目的的交流不需要提前取得的同意。的參賽報(bào)名號(hào)為：參賽隊(duì)員(簽名) ：隊(duì)員 1：隊(duì)員 2：

2、隊(duì)員 3：?jiǎn)T (簽名)：參賽隊(duì)參賽隊(duì)伍組別：大學(xué)組第 1頁(yè)2008 年 第一屆“數(shù)學(xué)中國(guó)杯”數(shù)學(xué)建模網(wǎng)絡(luò)賽頁(yè)參賽隊(duì)伍的參賽號(hào)碼：（請(qǐng)各個(gè)參賽隊(duì)提前填寫(xiě)好）：1965競(jìng)賽（由競(jìng)賽送至評(píng)委團(tuán)前）：競(jìng)賽評(píng)閱（由競(jìng)賽評(píng)委團(tuán)評(píng)閱前進(jìn)行）：第 2頁(yè)2008 年 第一屆“數(shù)學(xué)中國(guó)杯”數(shù)學(xué)建模網(wǎng)絡(luò)賽題目沙塵暴與各項(xiàng)氣象指標(biāo)的關(guān)系分析 多元回歸分析主成分分析人工神經(jīng)網(wǎng)絡(luò)摘要：?jiǎn)栴}一，文作者采用統(tǒng)計(jì)回歸模型，按一定方法從大量數(shù)據(jù)中選取適當(dāng)數(shù)據(jù)，分析了沙塵暴頻率與各自然進(jìn)。的關(guān)系，同時(shí)提出了人工神經(jīng)網(wǎng)絡(luò)模型解決該問(wèn)題的改模型模型改進(jìn)I II模型多元線性回歸模型 多非線性回歸模型神經(jīng)網(wǎng)絡(luò)模型III問(wèn)題二，作者通過(guò)矩陣

3、運(yùn)算，進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化，消除了指標(biāo)間的差異，并結(jié)合數(shù)量分類學(xué)知識(shí)，獲得各指標(biāo)的貢獻(xiàn)率，以此得出一種評(píng)估沙塵天氣氣象等級(jí)的方法。主要成分分析方法的應(yīng)用參賽隊(duì)號(hào)1965所選題目C第 3頁(yè)參賽（由填寫(xiě)）一、問(wèn)題的重述沙塵暴是一種性天氣，近年來(lái)頻繁發(fā)生，對(duì)環(huán)境和人們的生產(chǎn)、生活都造成了影響甚至危害。對(duì)沙塵暴的發(fā)生條件需要加以研究，以便人們進(jìn)行有效的請(qǐng)為沙塵暴的發(fā)生建立數(shù)學(xué)模型，具體問(wèn)題如下：和預(yù)防。問(wèn)題一：對(duì)沙塵暴的發(fā)生次數(shù)進(jìn)行分析，建立相應(yīng)的數(shù)學(xué)模型，使人們可以根據(jù)相關(guān)氣象數(shù)據(jù)的監(jiān)測(cè)結(jié)果，估計(jì)出沙塵暴在某地區(qū)某段時(shí)間內(nèi)發(fā)生的次數(shù)。問(wèn)題二：評(píng)估沙塵天氣氣象等級(jí)，并在高風(fēng)險(xiǎn)時(shí)發(fā)出警報(bào)信息。在近期內(nèi)觀測(cè)站所

4、在地發(fā)生沙塵暴的風(fēng)險(xiǎn)，二、問(wèn)題的分析沙塵暴這種性天氣，給國(guó)家和人民帶來(lái)了巨大的損失，對(duì)沙塵暴的發(fā)生條件加以研究，就可以使人們能夠進(jìn)行有效的預(yù)防。極大的減少人們生活中的不便，上的損失，從這個(gè)目的出發(fā)，要盡量使過(guò)去的氣象觀測(cè)數(shù)據(jù)得到充分利用，并且借助數(shù)學(xué)方法建立相應(yīng)的數(shù)學(xué)模型，以期能夠好合理的 1.數(shù)據(jù)分析：(1)合理利用已有數(shù)據(jù)。 沙塵暴是由多面的。造成的，并且發(fā)生的頻率不僅僅與氣象主要有關(guān)，還與當(dāng)?shù)氐牡乩憝h(huán)境密切相關(guān) 例如，土壤荒漠化也是引起沙塵暴的之一），為了更加準(zhǔn)確的研究象的響，在選取數(shù)據(jù)時(shí)的考慮同一站點(diǎn)，同一季節(jié)數(shù)據(jù)。(2)充分利用數(shù)據(jù)。依據(jù)統(tǒng)計(jì)學(xué)的原理，本容量越大，越有利于提高分析的靈

5、敏度。鑒于此選取了同一地區(qū)，地質(zhì)條件本相同的觀測(cè)站作為數(shù)據(jù)量，并且也具有較的可靠性來(lái)源，極大的擴(kuò)大了數(shù)據(jù)(3)數(shù)據(jù)取舍。要得到有用的數(shù)學(xué)模型，對(duì)下一段時(shí)間暴發(fā)生情況的合理性尤為重要，但是影響沙塵暴的氣象有很多，根據(jù)的數(shù)學(xué)原理進(jìn)行判分清主方面，正確的斷，求得各種氣象數(shù)據(jù)取舍是較好對(duì)沙塵暴產(chǎn)生的影響貢獻(xiàn)率將有助于的重要保證和前提。2.問(wèn)題解決思路分析：(1)對(duì)問(wèn)題 1 的分析。問(wèn)題一要求根據(jù)相關(guān)氣象數(shù)據(jù)的監(jiān)測(cè)結(jié)果出沙塵暴在某地區(qū)某段時(shí)間內(nèi)發(fā)生的次數(shù)。這是一個(gè)較典型的統(tǒng)計(jì)回歸問(wèn)題，建立數(shù)學(xué)模型，根據(jù)已有的幾種氣象數(shù)據(jù)，合理選取，保證樣本容量足夠大，用數(shù)學(xué)對(duì)模型求解。(2)對(duì)問(wèn)題 2 的分析。問(wèn)題二要

6、求在近期內(nèi)觀測(cè)站所在地發(fā)生沙塵暴的風(fēng)險(xiǎn)，由于要求近期的，而所給數(shù)據(jù)的最小時(shí)間周期是一個(gè)月，統(tǒng)計(jì)模型不能很好的滿足近期實(shí)時(shí)性的要求，基于此用了大量的數(shù)據(jù)模擬，用指標(biāo)離差最大化決策方法,找出各種氣象對(duì)沙塵暴的影響強(qiáng)弱，從而力求更好的解決這一問(wèn)題。第 1頁(yè)三、模型的假設(shè)處在同一地區(qū)的觀測(cè)站的的地形地貌等外部條件基本相同。模型計(jì)算時(shí)只考慮給出的幾種氣象指標(biāo)對(duì)沙塵暴的影響。（3）每個(gè)觀測(cè)站除給定的氣象指標(biāo)有變化外，其它環(huán)境保持不變。在每年同一時(shí)間段內(nèi)基本四、符號(hào)約定五、模的求解問(wèn)題一的建立與求解模型一：多元線性回歸模型為簡(jiǎn)便起見(jiàn)，先假定 x1 、 x2 、 x3 、 x4 、 x5 等氣對(duì)沙暴頻次的影響

7、是線性的，并且各都是獨(dú)立的，沒(méi)有交互作用。除上述確影響塵暴頻次外，不確定也對(duì)沙塵暴頻次有一定影響，對(duì)此引入不確定數(shù) 。這可初步得到沙塵暴頻次與各之間的多元線性回歸模型方程：y 0 x3 4 x4 5 x5 下面以 52323 觀測(cè)站 61-81 年為例。直接用統(tǒng)計(jì)工具箱令 regress 求解第 2頁(yè)x1月平均風(fēng)速x2大風(fēng)日數(shù)x3月平均氣溫x4月降水量x5月相對(duì)濕度y沙塵暴天數(shù)顯然，模型一與實(shí)際情況合程度很不理想，線性模型不夠合理，無(wú)法如實(shí)地反映出沙塵暴頻次隨七個(gè)自然變的真正趨勢(shì)。模型二：多元非線性回歸模型首先得到 y 分別與 x1 、 x2 、 x3 、 x4 、 x5 的關(guān)系式，根據(jù)這些關(guān)

8、系式得出以 x1 、 x2 、x3 、 x4 、 x5 為回歸變量(自變量)的函數(shù)注意：為了得到 y 分別與 x1 、 x2 、 x3 、關(guān)系而不受其他的影響，采用了這樣法：對(duì)于適當(dāng)長(zhǎng)度的區(qū)內(nèi)的變量1 ，對(duì)所有對(duì)應(yīng)的 y 值求數(shù)學(xué)期望值。由于其他變量此時(shí)可看作隨機(jī)，這樣做使它們對(duì)正面或x1 與 y 有函數(shù)關(guān)系。的影響抵消，只有下面以81-05 年為例，來(lái)求解模型。1沙塵暴天數(shù) y 與月平均風(fēng)速 x1 關(guān)系有數(shù)據(jù)可知，月平均風(fēng)速 x1 大于 4 的概率較小，隨機(jī)性較，所以取1 4 。用作散點(diǎn)圖，從圖中分析出隨著 x1 增加，y 的值增長(zhǎng)趨平緩，用數(shù)曲線擬合到指數(shù)函數(shù)模型y 9.8907e0 04

9、47 x1 9.3719（1）由（1）式得： x1 趨于無(wú)窮時(shí)，y 無(wú)限趨近 9.3719，即最大月沙塵暴天數(shù)為一定值而非無(wú)窮，且每個(gè)月的天數(shù)是固定的，也不可能是無(wú)窮，所以這是合理的。令 y=0，得 x=1.2053。這是沙塵暴發(fā)生的月平均風(fēng)速的閾值，達(dá)到該閾值才能發(fā)生沙塵暴現(xiàn)象。第 3頁(yè)參數(shù)參數(shù)估計(jì)值參數(shù)置信區(qū)間000011.02461.02853.077723.56249.97312.848330.66511.07612.406340.07720.33820.492650.19880.19840.5960R2 =0.2518F=1.2623p=0.32781.510.5011.522.53

10、3.541086420201020304050607080901002沙塵暴天數(shù) y 與大風(fēng)天數(shù) x2 關(guān)系大風(fēng)天數(shù)有明顯的地域性與時(shí)域性，某一地區(qū)多年同一月份的大風(fēng)天數(shù)幾乎不變。大風(fēng)天氣是形成大范圍沙塵暴的動(dòng)力。但是,沙塵暴發(fā)生頻次與大風(fēng)天數(shù)的分布在空間上并不完全一致,表明沙塵暴的發(fā)生頻次除了受到區(qū)域大風(fēng)日數(shù)的影響外,同樣受第 4頁(yè)到表征區(qū)域特征的降水量、溫度、地形、地貌、植被覆蓋等條件的影響。4.543.532.521.510.500.511.522.533.54建立簡(jiǎn)單的線性模型y 0 1 1 (2)3沙塵暴天數(shù) y 與月平均氣溫 x3 關(guān)系由圖建立二次模型，擬合y 0.0027 x 2

11、 0.0394 x 0.761133隨著溫度的升高，沙塵暴天數(shù)先增加，后減少。 x3 =7.3 時(shí)沙塵暴天數(shù)最多。月平均氣溫對(duì)沙塵暴天數(shù)的二次關(guān)系并不是是直接作用的 而是間接的。夏季增溫加快了地表的蒸發(fā),土壤水分減少,到了冬春季風(fēng)力達(dá)到一定條件,易形成沙塵暴天氣。春季的 3 月份起,氣溫開(kāi)始明顯回升,而且回升的速度快。溫度快速回升致下層大氣強(qiáng)烈受熱,造成空氣不穩(wěn)定,這將促使對(duì)流作用及湍流作用的加強(qiáng),有利于風(fēng)速的加大和上升氣流的產(chǎn)生,為風(fēng)沙活動(dòng)提供有利條件。第 5頁(yè)1.510.5010505101520254沙塵暴天數(shù) y 與月降水量 x4 關(guān)系1.110.90.80.70.60.50.40.3

12、0.20.101020304050607080由圖建立雙曲線模型，擬合得第 6頁(yè)268.5959y 1.0231（4）x4 142.6114由式（4）得， x4 趨于無(wú)窮時(shí)，y 趨向與1.0231 近似等于 0。 x5 =0 時(shí)，y= 0.86。當(dāng)降水量充沛時(shí),有利于植被生長(zhǎng),地表植被覆蓋度相對(duì)較高,對(duì)沙塵暴發(fā)生的抑止作用強(qiáng),沙塵暴發(fā)生的次數(shù)和強(qiáng)度相應(yīng)會(huì)降低。相反,當(dāng)持續(xù)干旱時(shí),地表植被覆蓋度將大大減少,露土地面積增加,加之氣溫的影響,土壤含水量也將減小,土質(zhì)疏松,沙塵暴發(fā)生的頻次將提高。5 沙塵暴天數(shù)y 與月相對(duì)濕度 x5 關(guān)系由圖建立雙曲模型，擬合得22.8305y 0.4703（5）x5

13、 24.6549月相對(duì)濕度 x5 有月降水量 x4 密切聯(lián)系，所以得出的關(guān)系式也近似。109876543210253035404550556065706綜合上面的分析，建立如下的回歸模型56y e 0 0447 xx 2 （6）1013x 142.6114x 24.654945統(tǒng)計(jì)工具箱求解，x 取每四年的期望值，y 為四年沙塵暴總天數(shù)，得利用第 7頁(yè)結(jié)果顯示，R2 =0.9105 指因變量的 91.05%可由模型確定，F(xiàn) 值遠(yuǎn)遠(yuǎn)超過(guò) F 檢驗(yàn)的臨界值，p 遠(yuǎn)小于，因而模型二從整體上來(lái)看是可用的。問(wèn)題二的建立與求解的目的是求得不同氣象因子對(duì)沙塵暴產(chǎn)生作用的大小，從上述 n 個(gè)指標(biāo)中尋找影響沙塵

14、暴的主要方面。如果起主要作的剛好就在幾個(gè)指標(biāo)中，那么只需將這幾個(gè)指標(biāo)提出來(lái)進(jìn)行分析，主要影響沙塵暴的指就找到了 所以要方面，分三個(gè)步驟：1.取樣 （足夠的樣本容量為準(zhǔn)）下面要做的是找出主先從所給的數(shù)據(jù)中抽取 t 次數(shù)值，這些數(shù)可以組成個(gè) tn 的矩陣（t 表示數(shù)值個(gè)數(shù)，n 表示氣象因子個(gè)數(shù)，），得到原始數(shù)值矩為1n2 n xtn 2.數(shù)據(jù)的標(biāo)準(zhǔn)化：（消除各氣象指標(biāo)不同的影響）在原始數(shù)據(jù)中，每個(gè)指標(biāo)的數(shù)據(jù)來(lái)源不同，的選取不同，因而數(shù)值的大小及變化幅度不同。標(biāo)準(zhǔn)中的這種差異，不僅毫無(wú)意義，還會(huì)干擾分析。為了取得正確的分析結(jié)果，有必要對(duì)原始數(shù)據(jù)進(jìn)行變換，以消除這種沒(méi)有意義的差別。先求每個(gè)指標(biāo)的平均值

15、和離差平均和平均值：第 8頁(yè)參數(shù)參數(shù)估計(jì)值參數(shù)置信區(qū)間052222612701404.5083726213.73243231.4350113411.8618573773280647560 65580.138747286R2 =0.9105F=28.8327p=0.00001t kjx j x，j=1，2，n；tk 1離差平方和：t d (x x， j=1，2，n；)2jkjjk 1再做變換x jxijh ，i=1，2，t；j=1，2，n；ijdj得變換后的原始數(shù)值矩陣為 h11h12h1nhhh2 n 2122hhnn n13主成分分析（即找出各氣象因子對(duì)沙塵暴生的貢獻(xiàn)）的目的是從上述n 個(gè)指

16、標(biāo)中尋找影響沙 好就再某幾個(gè)指標(biāo)中，那么只需將這幾個(gè)指標(biāo)提出面。如果起主要作用的剛主要就抓住了。為此，用一個(gè)向量來(lái)體現(xiàn)事物的主要方面，以指標(biāo)向量的線性組合來(lái)體現(xiàn)多個(gè)指標(biāo)的綜合效果，得主成分向量Fi a1i H1 a2i H2 ani Hn ， i=1,2,n.)T其中 H = (h , h , hj1 j2 jnj如此構(gòu)造的主要方面,考慮到它們各自所代表的實(shí)際意義時(shí)是相互獨(dú)立的,所謂相互獨(dú)立,用數(shù)學(xué)方法表示就是兩個(gè)不同向量互相垂直,即 FT F 0(i j).若把 F 寫(xiě)成矩ijj陣與向量乘積的形式,則F (H , H , H, aT, a )T ,i122ni垂直條件可寫(xiě)成第 9頁(yè)Ta ,

17、a )T .a , a , a1i2ini記 R= HT H ,可以證明,R 就是原始數(shù)據(jù)各指標(biāo)的相關(guān)系數(shù)矩陣,記為 r11r1222r1nrrr2 n 21 rrrnn n1n 2其中 r11 = r22 = rnn =1,且R 是一個(gè)對(duì)稱矩陣.，用計(jì)算矩陣R的特征值，從而得各的貢獻(xiàn)率及累計(jì)貢獻(xiàn)率。特征值貢獻(xiàn)率累計(jì)貢獻(xiàn)率月平均風(fēng)速大風(fēng)發(fā)生 平均氣溫 平均降水 相對(duì)濕度0.31590.49340.84451.53851.80776.32%9.87%16.89%30.77%36.15%6.32%16.91%33.80%64.57%100%表 1地區(qū)-各特征值貢獻(xiàn)率及計(jì)貢獻(xiàn)率特征值貢獻(xiàn)率累月平均風(fēng)

18、速大風(fēng)發(fā)生 平均氣溫 平均降水 相對(duì)濕度0.32260.62230.97171.12581.95766.54%12.45%19.43%22.52%39.15%18. % 38.42% 60.94% 100%表 2地區(qū)-各特征值、貢獻(xiàn)率及累計(jì)貢獻(xiàn)率特征值貢獻(xiàn)率累計(jì)貢獻(xiàn)率月平均風(fēng)速大風(fēng)發(fā)生 平均氣溫 平均降水 相對(duì)濕度0.27650.30620.84691.39752.17295.53%6.12%16.94%27.95%43.46%5.53%11.65%28.59%56.54%100.00%第 10頁(yè)表 3地區(qū)-各特征值、貢獻(xiàn)率及累計(jì)貢獻(xiàn)率特征值貢獻(xiàn)率累計(jì)貢獻(xiàn)率月平均風(fēng)速大風(fēng)發(fā)生 平均氣溫 平均降

19、水 相對(duì)濕度0.22490.59811.11761.21611.84324.50%11.96%22.35%24.32%36.86%4.50%16.46%38.81%63.13%100%表 4青海地區(qū)-各特征值、貢獻(xiàn)率及累計(jì)貢獻(xiàn)率主要成分分析方法小結(jié)：由于第一主成分（相對(duì)濕度）的貢獻(xiàn)率較高，所以降水在沙塵暴的成因中占有舉足輕重的地位，在沙塵暴的預(yù)報(bào)與監(jiān)測(cè)過(guò)程中，應(yīng)密切注意預(yù)報(bào)與.強(qiáng)風(fēng)是起沙塵的動(dòng)力，是沙塵暴形成的決定.第三大主成分（風(fēng)）的貢獻(xiàn)率顯然低于第一主成分，也就是說(shuō)它所代表的意義不及第一主成分重要，但是比率仍較高，亦有必要進(jìn)行分析.設(shè)函數(shù) Z 為沙塵天氣氣象等級(jí)函數(shù)，亦然。設(shè) h1 為月平

20、均風(fēng)速轉(zhuǎn)化后的與 位無(wú)關(guān)量，h3 為月平均氣溫轉(zhuǎn)化后的與值越大表無(wú)關(guān)量無(wú)沙塵天氣出現(xiàn)的風(fēng)險(xiǎn)越高，反之月大風(fēng)發(fā)生次數(shù)轉(zhuǎn)化后的與單平均降水轉(zhuǎn)化后的與無(wú)關(guān)量，h5 為相對(duì)濕度轉(zhuǎn)化后的與無(wú)關(guān)量,p為月平均風(fēng)的貢獻(xiàn)率,p2 為月大風(fēng)發(fā)生次數(shù)的貢獻(xiàn)率,p3 為月平均氣溫的貢獻(xiàn)率,p4 為度的貢獻(xiàn)率。平降水 貢獻(xiàn)率,p5 為相對(duì)濕Z = h1*p1+h2*p2+h3*p3+h4*p4+h5*p5有統(tǒng)計(jì)學(xué)知識(shí)，選取當(dāng) Z0 時(shí)有發(fā)生沙塵暴的53614，53615，53705 所有測(cè)站點(diǎn)得，人們要減少出門的次數(shù)：當(dāng) Z10 時(shí)危害程度升級(jí)屬于高風(fēng)險(xiǎn)期，應(yīng)即使發(fā)出警報(bào)信息六模型的評(píng)價(jià)與推廣模型優(yōu)點(diǎn)（1）采用的數(shù)學(xué)

21、模型有成理論基礎(chǔ)，第 11頁(yè)度高。（2）建立的數(shù)學(xué)模型都有相應(yīng)的支持，算法簡(jiǎn)便，編程實(shí)現(xiàn)簡(jiǎn)單，推廣容易。（3）利用數(shù)學(xué)工具，通過(guò)編程的方法，嚴(yán)格地對(duì)模型求解，具有科學(xué)性。（4）在時(shí)，從三種不同角度分別進(jìn)行分析，使結(jié)果更加準(zhǔn)確，貼近實(shí)際。模型缺點(diǎn)(1)在建模的過(guò)程中，不能考慮凈全輻射，總輻射，直接輻射，月蒸發(fā)量等各個(gè)方面對(duì)的影響，只能忽略部分，得到大概的結(jié)果。(2)對(duì)問(wèn)題 2 的解決沒(méi)有更加深入模型改進(jìn)(1)經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型沙塵暴與各種自然更接近于非線性關(guān)系，考慮到回歸方法在處理非線性問(wèn)題上繁瑣性和精度差等缺陷，而人工神經(jīng)網(wǎng)絡(luò)模擬生物大腦的結(jié)構(gòu)和功能而建立起來(lái)的人工智能識(shí)別方法，有大量神經(jīng)元廣

22、泛互聯(lián)而成的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)元之間的相互作用通過(guò)連接權(quán)值來(lái)體現(xiàn)。它建立起的數(shù)學(xué)模型能更精確的近非線性輸入與輸出之間的映射，消除了回歸法處理非線性問(wèn)題時(shí)的缺點(diǎn) 同時(shí)它具有很強(qiáng)的容錯(cuò)性、學(xué)習(xí)性、自適應(yīng)性，特別適用于解決因果關(guān)系復(fù)雜的非確定模型。理問(wèn)題，可以引入人工神經(jīng)網(wǎng)絡(luò)采用誤差反向方法（BP）算法建模型。以自指標(biāo)的 6 個(gè)作為輸入，構(gòu)建 6 節(jié)點(diǎn)的輸入層；以沙塵暴天數(shù)為輸出，構(gòu)建單節(jié)點(diǎn)的出層；中間層選擇 n 節(jié)點(diǎn)，搭建一個(gè)的三層神經(jīng)網(wǎng)絡(luò)，其中門限值選擇為零則網(wǎng)絡(luò)連形式如圖一所示（2）此模型是建立在沙塵暴的發(fā)生只與個(gè)別氣象指標(biāo)的基礎(chǔ)上，有較大的缺憾，根據(jù)，沙塵暴的發(fā)生與沙源（土壤沙化狀況）有較大

23、關(guān)系，但是在此模型下沒(méi)有得到充分的體現(xiàn)。第 12頁(yè)模型的推廣（1）問(wèn)題是一個(gè)普遍性，尤其是經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型，更能得到廣泛的應(yīng)問(wèn)題中。用，可以應(yīng)用于各種類似的七參考文獻(xiàn)組，數(shù)學(xué)建模（本科組），1省大學(xué)生數(shù)學(xué)建模競(jìng)賽，華技大學(xué)社，2006 年 2 月。2等，Meteorological factors，2008，4，13。ysis of the causeofthe sandstorm，3謝，數(shù)學(xué)模型（第三版），高等教育，2003 年 8 月。附錄：%問(wèn)題一：模型一a=xlsread(a);x(:,1)=ones(20,1)for i=1:20for j=1:5x(i,j+1)=sum(a(12

24、*i-11:12*i,j+1)/12; endy(i,1)=sum(a(12*i-11:12*i,6); end b,b,r,r,ss=regress(y,x(:,6)b=01.0246-3.56240.66510.07720.1988b=0-1.0285-9.9731-1.0761-0.3382-0.198403.07772.84832.40630.49260.5960第 13頁(yè)r=1.84880.3888-1.1577-0.88790.4929-0.0158-0.3540-0.2709-1.3253-0.90651.23461.3811-1.15230.68711.9190-0.01381

25、.9136-1.0626-1.4782-1.2408r=-0.6344-2.2289-3.5948-3.0710-1.9866-2.7867-2.7005-2.9723-3.6002-3.3997-1.0797-1.0474-3.5700-1.9433-0.6101-2.3999-0.42834.33203.00641.27941.29512.97232.75511.99242.43050.94951.58683.54893.80951.26553.31744.44822.37234.2556第 14頁(yè)-3.4251-3.3378-3.77391.29990.38151.2922ss =0.2

26、5181.26230.32781.7432%問(wèn)題一：模型二%feng.mfunction y=feng(b,x) y=b(1)*exp(b(2)*x)+b(3);c=xlsread(風(fēng)速)plot(c(:,1),c(:,2),.)b,r,J=nlinfit(c(:,1) c(:,2,feng,-30,1,30)b =-300.2267-0.0013299.7717r =Columns 1through 12-0.0101-0.0557-0.06070.01490-0002-0.1322-0.07890.0935-0.1331-0.15610.0477Columns 13 through 24-

27、0.08720.2922-0.05640.20370.02660.2594-0.2653-0.04840.62470.08560.1895-0.3049Columns 25 through27-0.1224-0.59990.1905J =第 15頁(yè)1.0e+003*0.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.0010-0.41

28、96-0.4495-0.4794-0.5093-0.5391-0.5690-0.5989-0.6288-0.6586-0.6885-0. 183-0.74 1-0.7779-0.8078-0.8376-0.8674-0.8972-0.9269-0.9567-0.9865-1.0163-1.0460-1.0757-1.1055-1.1352-1.1649-1.19470.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100.00100 00100.00100.00100.

29、00100.00100.00100.00100.00100.00100.00100.0010YY,delta=nlpredci(feng,c(:,1),b,rplot(c(:,1),c(:,2),k+,c(:,1),YY,r),J);%shui.mfunction y=shui(b,x) y=b(1)./(x+b(2)+b(3);c=xlsread(降水)plot(c(:,1),c(:,2),.)b,r ,J=nlinfit(c(:,1),c(:,2),shui,1,10,0);YY,delta=nlpredci(feng,c(:,1),b,r ,J);plot(c(:,1),c(:,2),k

30、+,c(:,1),YY,r)第 16頁(yè)a=xlsread(a);x(:,1)=ones(24,1);x(:,2)=exp(a(:,1).*(-0.0447);x(:,3)=a(:,2);x(:,4)=a(:,3);x(:,5)=a(:,3).2;x(:,6)=(a(:,4)+142.6114).1;x(:,7)=(a(:,5)-24.6549).1;y=a(:,6);b,b,r,r,ss=regress(y,x)b=1.0e+003*0.52200.40450.0137-0.23140.01187.37705.5801b=1.0e+004*-0.02260.00830.0003-0.03500.0006-3.28060.38740.12700.07260.0024-0.01130.00184.75600.7286r=14.1592-9.17542.8113-3.7089-4.3734第 17頁(yè)-12.98017.4742-16.97063.69942.82182.6243-1.90295.1892-9.61659.70915.6123-6.9199-2.28832.3346-4.11708.482014.9366-7.92120.1203r=-2.0604-26.4154-14.4382-