一种基于MEA-BP的太阳辐射反演算法
基于卫星辐射率资料的两种三维云反演方法对比研究
Ｃｏｍ ｐａｒｉｓｏｎ ｏｆ Ｔｗｏ Ｃｌｏｕｄ Ｄｅｔｅｃｔｉｏｎ Ｓｃｈｅｍｅｓ ｆｏｒ Ｈｉｇｈ·Ｓｐｅｃｔｒａｌ Ｉｎｆｒａｒｅｄ Ｒ ａｄｉａｎｃｅ Ｏ ｂｓｅｒｖａｔｉＯｎｓ
ＸＵ Ｄｏｎｇｍｅｉ ，ＳＨ ＥＮ Ｆｅｉｆｅｉ ，Ｍ ＩＮ Ｊｉｎｚｈｏｎｇ ，ａｎｄ ＺＨＡＮ Ｇ Ｂｅｉ
第 ４２卷 第 ２期 ２０１８年 ３月
大 气 科 学
Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆＡｔｍ ｏｓｐｈｅｒｉｃ Ｓｃｉｅｎｃｅｓ
Ｖｂ１．４２ Ｎ ｏ．２ Ｍ ａｔ． ２０１８
许冬 梅 ，沈菲 菲 ，闵锦 忠 ，等．２０１８．基 于卫星 辐 射率 资料 的两 种三 维 云反 演方 法对 比研 究 ［Ｊ］．大气 科 学，４２（２）：４１１－４２０． ＸｕＤｏｎｇｍｅｉ，ＳｈｅｎＦｅｉ￣ｉ， Ｍｉｎ Ｊｉｎｚｈｏｎｇ，ｅｔ ａ１．２０１８．Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｗｏ ｃｌｏｕｄ ｄｅｔｅｃｔｉｏｎ ｓｃｈｅｍｅｓ ｆｏｒ ｈｉｇｈ－ｓｐｅｃｉａｌ ｉｎｆｒａｒｅｄ ｒａｄｉａｎｃｅ ｏｂｓｅｒｖａｔｉｏｎｓ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｔｍｏｓｐｈｅｒｉｃ Ｓｃｉｅｎｃｅｓ（ｉｎ Ｃｈｉｎｅｓｅ），４２（２）：４１１－４２０，ｄｏｉ：１０．３８７８８．ｉｓｓｎ．１００６－９８９５．１７０９．１７１５７．
太阳能辐射量及重要公式及数据
1．基本计算公式：
1）倾斜面上太阳总辐射计算：
式中：Rβ——倾斜光伏阵列面上的太阳能总辐射量
S ——水平面上太阳直接辐射量
D ——散射辐射量
α——中午时分的太阳高度角β——光伏阵列倾角
2）单位面积太阳能电池板发电量计算：
其中：g为单位面积电池电池板发电量，kW·h/m2，
Eq为各月平均辐射量，MJ/m2
η为太阳组件发电效率
3）并网光伏发电系统的总效率
η=η1xη2
η1为光伏阵列效率，根据查阅的相关资料及经验
η2为逆变器的转换效率，根据逆变器参数资料
2．重要数据
A）日平均总辐射量单位KWh/㎡/d
月份 1 2 3 4 5 6 7 8 9 10 11 12
B）倾斜光伏方针面上的太阳能总辐射量计算KWh/㎡
C）全国各地太阳能总辐射量与年平均日照当量
D）总辐射量表。
遥感反演课程-反照率
7
1.2 地表反照率和全球变化
全球变化的驱动因子
温室气体
云和气溶胶
土地利用 海流
植被状况
地表反照率
海冰
8
1.2 地表反照率和全球变化
地表反照率对气候变化的反馈机制
• 地表反照率的增加，会导致净辐射的减小，感热通 量和潜热通量减少，进而造成大气辐合上升减弱， 云和降水减少，土壤湿度减小，使得地表反照率增 加，形成一个正反馈过程 • 冰雪-反射率-温度之间存在“正反馈过程”,即冰雪 的覆盖增大地表的反照率，使地-气系统吸收的辐射 减少,从而降低气温，而降温又将进一步使冰雪面积 扩展，反照率继续增大，造成温度越来越低 • 极地海冰融化造成反照率的增加，从而更多的吸收 太阳辐射，气温升高，加速海冰的融化
Fu ( ) Fd ( ) (0.25 ~ 5.0m)
反照率表
地表能量平衡方程：
Rn R R (1 )F F T
s n l n s d l d
反照率
4
下行短波辐射 下行长波辐射
地表发射率
地表温度
5
地表宽波 段反照率
2 /2
地表二向反射因子的在角度维和 波长维积分的结果。
0 0
(i , i ;2 ) Li (i , i )sin i cos i di di
2 /2
BHR
A( , )
2
1
( , ) Fd ( , )d
dLr (i , i ; r , r ) BRF R(i , i ; r , r ) dLid r (i , i )
BRDF BRF
20
2.3 地表的二向反射特性
基于气象数据的太阳辐照度预测方法
基于气象数据的太阳辐照度预测方法随着社会发展和能源需求的增加，对太阳能的利用越来越受到重视。
而太阳辐照度预测作为太阳能利用的重要基础，对于优化能源调度和提高太阳能利用效率具有重要意义。
本文将介绍基于气象数据的太阳辐照度预测方法。
一、介绍太阳辐照度预测的背景和意义太阳能作为一种清洁、可再生的能源，具有巨大的潜力和前景。
而太阳辐照度预测作为太阳能利用的关键环节，可以帮助我们更好地安排能源供应，并优化太阳能发电系统的设计和运行。
因此，开展太阳辐照度预测的研究具有重要的现实意义。
二、基于气象数据的太阳辐照度预测方法1. 数据采集太阳辐照度预测所需的数据主要包括天气数据和太阳辐照度观测数据。
天气数据可以通过气象站点、卫星遥感等途径获取，而太阳辐照度观测数据则可以通过辐射计等实测仪器获得。
2. 数据预处理在进行太阳辐照度预测之前，需要对采集到的数据进行预处理。
这包括对数据的缺失值进行处理、数据的噪声进行滤波、数据的序列进行平稳化等。
3. 特征提取基于气象数据进行太阳辐照度预测时，通常需要从大量的特征中提取与太阳辐照度相关的特征。
这些特征可以包括气温、湿度、风速、云量等气象要素，以及日期、时间等时间特征。
4. 模型选择与训练在特征提取之后，需要选择合适的机器学习模型或统计模型来进行太阳辐照度的预测。
常用的模型包括支持向量机、神经网络、回归模型等。
选择合适的模型后，可以使用历史数据进行模型的训练和参数的调整。
5. 模型评估与预测在完成模型的训练之后，需要对模型进行评估以确保其预测准确性和可靠性。
常用的评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）等。
然后，可以使用预测模型对未来的太阳辐照度进行预测。
三、应用案例与展望基于气象数据的太阳辐照度预测方法已经在国内外的太阳能发电站点中得到应用，并取得了一定的预测效果。
未来，随着气象站点的不断完善和数据采集技术的进一步提高，基于气象数据的太阳辐照度预测方法将会更加准确和可靠。
基于气象站资料的中国地区太阳日辐射量算法研究
基于气象站资料的中国地区太阳日辐射量算法研究
孙睿;梁璐;杨玲
【期刊名称】《气象与环境科学》
【年(卷),期】2007(30)1
【摘要】现行计算水平面太阳日辐射主要有两种方式:一种是利用影响辐射的相关要素建立模型,另一种是依据实测资料进行空间插值.但后一种方法若要保证精度则需有足够多的样本.针对上述问题,利用我国不同区域67个站点的数据,在VP-RAD 模型的基础上,建立了一个适用于中国地区的逐日太阳辐射算法CNR,该算法仅需要输入站点基本信息、最高最低温度和降水量.模拟结果与实际观测结果比较吻合.【总页数】4页(P24-27)
【作者】孙睿;梁璐;杨玲
【作者单位】遥感科学国家重点实验室北京 100875;北京师范大学地理学与遥感科学学院北京 100875;环境遥感与数字城市北京市重点实验室北京 100875【正文语种】中文
【中图分类】P422.1
【相关文献】
1.基于气象资料的日辐射模型在中国西北地区适用性评价 [J], 张青雯;崔宁博;冯禹;贾悦;李晨;龚道枝;胡笑涛
2.基于CERES资料的中国西南地区云水含量和粒子有效半径分布及变化特征 [J], 林丹;王维佳
3.基于CloudSat、FY-2E资料的中国海域及周边地区深对流和穿透性对流特征
[J], 杨冰韵;吴晓京;王曦
4.基于ISCCP云资料的中国地区不同类型云的时空分布 [J], 范思睿; 王维佳; 林丹
5.基于20CR再分析资料的中国西南地区气温长期趋势评估 [J], 张勇;蔡宏珂因版权原因，仅展示原文概要，查看原文内容请购买。
python 计算太阳辐射库函数
python 计算太阳辐射库函数在Python中，可以使用气象数据库或模型来计算太阳辐射。
一个常用的气象数据库是ECMWF（欧洲气象中心），它提供了全球气象数据。
以下是一个简单的Python函数，使用ECMWF数据计算太阳辐射：```pythonimport numpy as npimport xarray as xrdef calculate_solar_radiation(lat, lon, elev, month, year):"""计算给定位置和时间的太阳辐射。
参数：lat (float): 纬度（度）lon (float): 经度（度）elev (float): 海拔（米）month (int): 月份（1-12）year (int): 年份返回：float: 太阳辐射（W/m^2）"""加载ECMWF数据ds = _dataset('ecmwf_') 假设数据文件名为'ecmwf_'提取太阳辐射数据solar_rad = _rad[elev, lat, lon, :, :] 假设数据变量名为'solar_rad'提取指定月份的太阳辐射数据solar_rad_month = solar_rad[year-1979:year-1979+month, :, :] 假设数据起始年份为1979年计算平均太阳辐射avg_solar_rad = (solar_rad_month)return avg_solar_rad```这个函数使用ECMWF数据文件中的'solar_rad'变量来计算给定位置和时间的太阳辐射。
它假定数据文件是一个NetCDF文件，其中包含纬度、经度、海拔和时间等维度。
请注意，这只是一个示例函数，实际使用时需要根据具体的数据格式和变量名进行修改。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第４６卷第５期 ２０１８年１０月 气象科技
ＭＥＴＥＯＲＯＬＯＧＩＣＡＬ ＳＣＩＥＮＣＥ ＡＮＤ ＴＥＣＨＮ０ＬｏＧＹ Ｖｏ１．４６．ＮＯ．５
Ｏｃｔ．２０１８
引言 一种基于ＭＥＡ—ＢＰ的太阳辐射反演算法 郑丹 马尚昌 张素娟 （１成都信息工程大学电子工程学院，成都６１０２２５；２中国气象局大气探测重点开放实验室，成都６１０２２５）
摘要基于光电原理的日照计即将在全国推广应用，以光照度观测数据为主反演太阳辐射数据可以有效弥补太阳 辐射观测站数量不足的现状。针对现有的太阳辐射反演方法的不足，提出一种融合主成分分析（ＰＣＡ）、思维进化 算法（ＭＥＡ）和ＢＰ神经网络的复合模型，利用太阳光照度、太阳高度角、温度和湿度观测分钟数据反演太阳辐照 度。首先，以晴空指数为依据，基于概率神经网络（ＰＮＮ）分类法，将天气类型分为晴、云、阴３类，分类准确率达到 ９６．６９４８ 。再利用ＰＣＡ降维后的４个影响因子，对３类天气分别采用ＢＰ、ＧＡ－ＢＰ和ＭＥＡ—ＢＰ法反演太阳辐照 度，与标准辐射表的实测数据对比。结果表明：晴、云、阴的ＭＥＡ－ＢＰ模型的决定系数最高达到０．９９５８，与单一ＢＰ 模型相比，ＲＭＳＥ分别降低了４９ 、３２．４５ 和１Ｏ．６４ ；相比于ＧＡ—ＢＰ模型误差，ＭＡＰＥ最高减少了４２．５４ 。本 文所提出的ＭＥＡ—ＢＰ复合模型的泛化能力得到了有效提高。 关键词 太阳辐射；晴空指数；ＰＮＮ；ＰＣＡ；ＭＥＡ—ＢＰ；误差分析 中图分类号：Ｐ４１２．１４ ＤＯＩ：１Ｏ．１９５１７／ｊ．１６７１－６３４５．２０１７０６４２ 文献标识码：Ａ
气象、农业、太阳能等领域都需要高精度、有针 对性的太阳辐射观测数据。然而国内的地面气象台站 ２４２３个，太阳能辐射观测站却只有９８个，无法满足以 大量太阳辐射数据为基础的定量化分析与研究应用。 ２Ｏ１３年启动光电式日照计计划，依据２０１６年 中国气象局综合观测司完成的光电式数字日照计的 功能规格需求对设备进行研制口］。目前，中国华云 气象科技集团公司、江苏无线电科学研究所有限公司 和中环天仪（天津）气象仪器有限公司都已各自推出 光电式日照计并完成产品设计定型及测试，即将开展 业务化使用。光电式日照计采用ＨＡＭＡＭＡＴＳＵ Ｓ１１３３—０１型光电探测器，该光电二极管每ｉ００ Ｌｘ （光照度单位）可产生５．６ Ａ电流，经Ｉ—Ｕ转换器后 所得电压与光照度成线性关系，通过光电管本身参 数推算出实时光照度数据，从而将得到的光照度反 演成辐照度后，根据日照时数定义（Ｓ≥１２０ Ｗ／ｍ 所累积的时间总和）计算出日照，最终实现同时对辐 射、日照的观测。光电式日照计预计于２０１８年在全 国范围内推广使用，届时将有２４００多个台站的日照 计可用于光照度的观测。如何利用易获得的可靠气 象要素数据反演太阳辐照度，对天气预报、太阳能利 用等具有重要理论与实践意义。 国内外学者针对太阳辐射的计算做了大量研究 工作，主要分为两类：一是从线性关系出发，如：以光 谱面积法建立Ｅ一（１．０４×１０ ）Ｌ正比关系进行光 照度与辐照度的互算 ］，针对不同天气类型下Ｅ—Ｌ 回归线性关系的建立［３］，及以晴空指数和太阳高度 角进行区间划分提出分段式线性关系 ］，还有 Ｏｒｇｉｌｌ和Ｈｏｌｌａｎｄｓ模型、Ｌａｍ和Ｌｉ模型等典型线 性模型，这类研究侧重从线性角度把握太阳辐照度 的计算 ］。二是从非线性着手，经典模型有Ｌｉｕ和 Ｊｏｒｄａｎ模型、ＡＳＨＲＡＥ模型等 ～｝。近年来，具有 较强学习推广能力、能非线性建模等优势的智能学 习法在太阳辐射反演应用中得到广泛推广，如利用 回归ＢＰ神经网络预测太阳辐射，采用小波神经网 络、引入蚁群算法改进ＢＰ网络以提高太阳辐射模 型精度¨ｇ 。因受到天气突变、环境状况等随机条 件的制约，太阳辐照度的反演是多因素综合作用的
四川省科技厅科技支撑项目“２０１５ＧＺ０２７８”资助 作者简介：郑丹，女，１９９１年生，硕士，从事气象探测技术研究，Ｅｍａｉｌ：ｚｈｅｎｇｄａｎｌ０２０＠１６３．ｃｏｒｎ 收稿日期：２０１７年１０月２８日；定稿日期：２ｏ１８年５月１８日
ｈｔｔｐ｜／／ｗｗｗ．ｑｘｋｊ．ｎｅｔ．ｃｎ气象科技 ｊ Ｊ９Ｊ ｊｃＩ；Ｊ寸 ：·种壤】：ＭＦ．Ａ ＢＰ的 辅时反液斡：浊 Ｒ ．『Ｉ 的 题 Ｊ ｆ¨』综 多 崇以 Ｊ见人… ｛时ｎ０ Ｊ乏演 ｔｌ刈Ｉ 造ｎ·Ｊ地．小迎 …· ｌｌ ： 卜ＪＪ 分分忻 （Ｉ （’．。＼）、Ｉｔｌ 进化 ： （ＭＩ Ｊ＼）ｆ１Ｉ Ｉ｛Ｉ ｝ｆ｝Ｉ 络 （１；Ｉ’ＮＮ）ｎ０ Ｉ辄ｉ ｑＪ‘Ｊ乏＾Ｈｆ ） ．ｉ发十Ｉ！Ｊ 以Ｈ 。 ４肯数
．录』ｔ Ｊ似串ｆｌ｝Ｉ （Ｉ ＮＮ）分类法进 人 ＪＩ ０划分． 符ｒ１人 Ｊ 卜．通过Ｉ （、Ａ埘输入 ｌｉ 进 降维处川！． 、 ＭＩ￣Ａ ：法优化ＢＩ＇的 … ｑＪ Ｊ 嵋｝ Ｊ ．Ｊｉ ‘ｊ－、 ．·Ｉ｛Ｉ 、遗ｆ 钟：法（（ Ａ）优化Ｊ，Ｉ，Ｊ ｌ 逊ｆ 刈比． ｆＩＪＪ Ｍ１￣Ａ… 卡Ｉｌ 的通川一 。
１ 数据资料 小疋选取…处Ｊ 成 息１ ｆｌ 人 、 综合 象脱 ｉｉｊ １４ Ｊ历Ｉ，ｉ ’ 』，Ｉ勒 、）匕ＩＵ Ｊ Ｉ ｉ』！ｆｊ ｉ ｆ‘ｆｌＩ Ｉ｝Ｕ ｊ ｊ＝Ｉｌ｛｛日Ｊ （ １）的 教 ．１Ｉ体指 参数 １ ￥－ｉＪ川
：（）１ ６‘ ６ Ｊ Ｊ争！（）ｌ 』Ｊｌ Ｉｊ ８：（１（）ｌ ：（）（ ：ｌ ０ 分钟数 ．结 象观测的撇端 Ｉｉ以＾乏ｆ ｃ１ ｃ Ｍｉｇｕ（、ｌ Ａ等ｆ 力‘法 。．刈 数执 采 ｆ｝｝顷 Ｊ 扶嫩９３９７７ 佯小． ｆｔ 位 … 、 ）匕照度、 Ｊ逆、川埘 Ｊ芝、Ｊｘｌ述、地丧 Ｊ 、燕发 、 …ｆ西Ｊ变『ｆＪ ｆ¨咕 数。４可总 小分 －ＪＩｊ ｆ¨测 ． Ｉ ７ｔ） 、：｛０ 。
表１ 日照计／双轴跟踪辐射表的指标参数
将舣 踪 蚶＆测褂的：｛种 射数 （总 …撇， 、 ｈｌｊ Ｊ （】）逊仃吱洲似 ｊ 钟：似的 十Ｉｌ 愉验～．十ＩＩ埘 勺 以 ， 敛 较 ｒ。 将』 作 · Ｊ 进ｆ 刈比．． （ｔｑ ｊ ．｛）／ｓｉｎＯｌ （１） ｌｆｌ ０ 『 『ｆＪ 吣。 指数（ｆ ．）池 ｆｉｌ！刨丛地 ｌ ｉ９ １ 照 ｊｉ Ｊ乏映Ｊ也外 射，世人人 Ｊ 一ｉ １／９嶷减 ｔ 艘。Ｋ 址人 钏水、 … 久…总 （，） ｊ人 Ｊ 外水 Ｉ（Ｉｉ｛ 的 … （， 、）之比’ Ｋ Ｊ』 （２）
Ｊ ＬＩ１ ，『ｌＩＩ总４ｉ＇ １ 夫测 地外人… 州’『ｌ 址进入地球人气 之ｆ１ｉ』的久 … 日Ｊ， 受人 Ｓｅｌ、 ｔ车蹦目寸父系彤ＩＪ¨ 以‘ｌ 为 川Ｊ９】发 变化 ＩＩＩ．， ： …个＝ 瞍（ ＩＳ１）． ｌ：｛｛；１ ｗ Ｉ１１（＿』ＪＪ １人【ｊ２Ｏ ｌ ５决议） ：一 Ｉｆ一 －人的 数 人 外水、 Ｉ．１ｆｆ０ Ｉ轨 ｆ』．为： 『¨ 『ｌ ｉｎＯ１ （１） 』 ｆｆ１．ｓｉｌ１ ｌ、 ｓｉｉ￣ｇｃｓｉｌ１ Ｉ（１（） ）ｂｆ ） （ｕ‘ ４ｉ＇，ｉ日 Ｊ＆ 安装地 ”逆． … １ 纬一， 人 １ＩＩ，Ｊ 『ｆ】 ２ 方法介绍 『冬ｉ ２ 』 Ｊ：Ｍｌ ／＼ＢＩ １甜 日 Ｊ ＪＺ 十ｌｌ Ｊｌ ｆｌ０ ｊ 小流 ： （１）筛选数 ．１５ＪＪ除ｌ九放十ｌｒ小 （２）数 颅处 。 ｆ一化 【｜１，１ Ｉ． 除符维教 ８６２ 气 象 科 技 第４６卷 问单位与数量级差异。 （３）提取特征参数。将Ｋ 作为分类特征参数， 其余因素作为反演模型参数。 （４）将样本分为训练、测试两部分，针对训练集， 根据Ｋ 大小，分为阴、云、晴。 （５）采用ＰＮＮ分类器对训练集训练后，获得 ＰＮＮ分类模型。 （６）利用训练得到的ＰＮＮ分类模型，将测试集 分类为：阴、云、晴。 （７）经ＰＣＡ提取后，光照度、温度、相对湿度和 太阳高度角作为模型的输入变量。 （８）针对３类天气，分别用ＢＰ、ＧＡ—ＢＰ、ＭＥＡ— ＢＰ法反演太阳辐照度。
图２ ＭＥＡ—ＢＰ太阳辐射反演模型基本流程 ２．１ ＰＮＮ分类器 ＰＮＮ是基于Ｂａｙｅｓ决策和Ｐａｒｚｅｎ窗理论，通 过对已知类别样本的训练来分类新样本，使其达到 Ｂａｙｅｓ最优决策边界的分类法。本文为Ｃ 、Ｃ 、Ｃ。３ 个类别的划分，分类规则由特征向量Ｋ（晴空指数） 决定。如图３，在输入层计算出输入量与所有训练 样本间的距离ｌＩＫ—Ｋ ，反映向量间的接近程度； 样本层采用高斯核函数进行传递，第 类中的第 个输出为：
（Ｋ）一ｅｘｐ（一 ） （５） 厶
式中： 为平滑参数；Ｋ为测试分类样本；Ｋ，属 类
中第Ｊ个训练样本向量（ 一１，２，…，”）。求和层则 进行将样本层的输出按类相加，得到Ｐ ，Ｐ ，Ｐ。３组 概率值。输出层选择Ｐ 一ｍａｘ｛Ｐ ）作为ｋ类的识 别结果。 输入层 模型层 求和层 输出层 图３ ＰＮＮ结构图 ２．２主成分分析 ＰＣＡ以精简矩阵作为模型的输入，最大程度反 映原变量有效信息，从而达到删除冗余变量和压缩 数据的功效＿ｌ１ 。本文筛选出光照度、温度、相对湿 度、太阳高度角、地表温度、蒸发量、风速共７个影响 因子（Ｘ ～Ｘ ）进行ＰＣＡ分析，主要步骤如下： （１）原始数据标准化。由不同影响因子构成样 本集ｘ＝Ｅｘ ，ｘ。，…，ｘ ］，每个因子都包含Ｙｔ个样 本，其中Ｘ 为第 个影响因子的第Ｊ个样本。 （２）利用标准化后的ｘ一［ｚ ，ｚ ，…，ｚ ］，计算 相关系数矩阵Ｒ一［ｒ ，ｒ：，…，ｒ ］。 （３）根据｝ Ｊ—Ｒ １—０计算出特征值 ， ，…， 及对应特征向量Ｐ （ 一１，２，…，７）。降维后的新 变量可由ｚ一［ ，ｅ ，…，ｅ ］ Ｘ的线性变换获得，即 提取Ｓ个主成分（ｓ＜７）。 （４）计算第ｋ个主成分贡献率为：声 一 ／ ；前ｓ个主成分的累计贡献率为：Ｐ 一 ｚ一１ ∑ ／∑ ；累计贡献率越大，数据信息损失则越 ｔ—ｌ ｔ＝１ 小，通常选取Ｐ ∈Ｅ８５ ，９５ ］的前Ｓ个成分作为 模型的输入变量。 ２．３ ＭＥＡ—ＢＰ模型 ＭＥＡ是孙承意等在１９９８年提出的一种通过 迭代进行优化的学习方法口 ，整体搜索效率强，有 多代信息记忆。利用“趋同”、“异化”的交互作用，按