[发明专利]基于空间多重相关解集算法的降尺度校正模型

权利要求书

1.基于空间多重相关解集算法的降尺度校正模型，其特征是，包括以下步骤：

步骤(1)数据获取，包括气候模式网格数据系列X_t＝(x_1,t,x_2,t,…,x_m,t)，其中m为网格数目，t表示时刻，以及各站点实测资料系列Y_t＝(y_1,t,y_2,t,…,y_n,t)，其中n为站点个数；

步骤(2)建立基于空间多重相关解集算法的降尺度校正模型，所述降尺度校正模型为下式(1)：

Y＝B+AX+ε (1)，

其中A和B用于反映网格数据与站点实测资料的相关结构关系，ε为标准化独立随机矢量，ε～N(0,σ²)，将式(1)用矩阵形式展开为：

步骤(3)采用粒子群优化算法求解式(1)中的A和B系数矩阵；

所述粒子群优化算法将一组参数A和B看作一个粒子，种群中的每个粒子代表模型优化问题中的一个候选解，则第i个粒子P_i可表示为P_i＝(A_i,B_i),i＝1,2,…,m；

具体包括以下步骤：

初始化粒子群，确定种群数目，每个粒子的速度以及位置，设在d维的目标搜索空间中，有m个粒子构成的一个粒子群体，X^k表示第k次迭代时粒子群中每个粒子的位置，即其中表示粒子P_i的位置，即相应的粒子群中每个粒子的速度记为V^k，即其中V_i^k表示粒子P_i的速度，即

评价每个粒子的适应度；

比较各粒子当前适应值和历史个体最优适应值，如果当前适应值优于历史最优适应值，则以当前适应值作为新的历史最优适应值，并记录每个粒子最优位置，其个体最优粒子位置表示为其中为粒子P_i的最优位置，即

再比较每个粒子的历史最优适应值和全局最优适应值，如果某一个粒子的历史最优适应值优于全局最优适应值，则该粒子的历史最优适应值作为新的全局最优适应值，同时也记录全局最优粒子位置，表示全局最优粒子位置；

在粒子的迭代过程中，通过个体最优粒子位置和全局最优粒子位置来更新粒子的位置和速度，在k+1次迭代时，根据式(4)以及式(5)来更新粒子群的速度和位置：

X^k+1＝X^k+V^k+1 (5)

其中ω为惯性权重，c₁和c₂是常数，称为学习因子，r₁和r₂是分布于[0,1]区间的随机数；

判断全局最优适应值是否达到最优，没有达到最优时，继续迭代，达到最优时，对应的最优粒子即是降尺度模型系数矩阵A和B，据此便可确定降尺度校正模型。

2.根据权利要求1所述的基于空间多重相关解集算法的降尺度校正模型，其特征是，步骤(2)中根据相关系数越大越优准则，对每个站点筛选出相关性高的网格点，设站点y_i对应的相关性最高的p个网格点集合是C＝(x_j1,x_j2,...,x_jp)，对系数矩阵A设置约束条件如下式(3)所示：

其中i表示第i个站点，j表示第j个网格点。

3.根据权利要求1所述的基于空间多重相关解集算法的降尺度校正模型，其特征是，采用适应度函数用来评价种群中每个粒子的优劣性能，所述适应度函数为：

4.根据权利要求1所述的基于空间多重相关解集算法的降尺度校正模型，其特征是，为防止粒子在更新过程中远离搜索空间引起小范围内搜索缺失，通过设定最大搜索范围X_max来控制控制粒子飞行的最大速度。