💥1 概述
精确高效的降水预测模型可以更好地反映未来的气候，为管理决策提供重要参考，帮助人们为未来的恶劣天气做好准备。
深度信念网络，DBN，Deep Belief Nets，神经网络的一种。既可以用于非监督学习，类似于一个自编码机；也可以用于监督学习，作为分类器来使用。
从非监督学习来讲，其目的是尽可能地保留原始特征的特点，同时降低特征的维度。从监督学习来讲，其目的在于使得分类错误率尽可能地小。而不论是监督学习还是非监督学习，DBN的本质都是Feature Learning的过程，即如何得到更好的特征表达。
作为神经网络，神经元自然是其必不可少的组成部分。DBN由若干层神经元构成，组成元件是受限玻尔兹曼机（RBM）。
先了解下RBM：
RBM 只有两层神经元，一层叫做显层 (visible layer)，由显元 (visible units) 组成，用于输入训练数据。另一层叫做隐层 (Hidden layer)，相应地，由隐元 (hidden units)组成，用作特征检测器 (feature detectors)。
📚2 运行结果
🎉3 参考文献
[1]赵华生,金龙,农吉夫,陈春涛.降水预报的神经网络集成方法的改进[J].统计与决策,2008(10):26-28.
👨💻4 Matlab代码
主函数部分代码：
clc;clear;close all; %% 初始化种群 f= @(x)x .* sin(x) .* cos(2 * x) - 2 * x .* sin(3 * x); % 函数表达式 figure(1);ezplot(f,[0,0.01,20]); N = 50; % 初始种群个数 d = 1; % 空间维数 ger = 100; % 最大迭代次数 limit = [0, 20]; % 设置位置参数限制 vlimit = [-1, 1]; % 设置速度限制 w = 0.8; % 惯性权重 c1 = 0.5; % 自我学习因子 c2 = 0.5; % 群体学习因子 for i = 1:d x = limit(i, 1) + (limit(i, 2) - limit(i, 1)) * rand(N, d);%初始种群的位置 end v = rand(N, d); % 初始种群的速度 xm = x; % 每个个体的历史最佳位置 ym = zeros(1, d); % 种群的历史最佳位置 fxm = zeros(N, 1); % 每个个体的历史最佳适应度 fym = -inf; % 种群历史最佳适应度 hold on plot(xm, f(xm), 'ro');title('初始状态图'); figure(2) %% 群体更新 iter = 1; record = zeros(ger, 1); % 记录器 while iter <= ger fx = f(x) ; % 个体当前适应度 for i = 1:N if fxm(i) < fx(i) fxm(i) = fx(i); % 更新个体历史最佳适应度 xm(i,:) = x(i,:); % 更新个体历史最佳位置 end end if fym < max(fxm) [fym, nmax] = max(fxm); % 更新群体历史最佳适应度 ym = xm(nmax, :); % 更新群体历史最佳位置 end v = v * w + c1 * rand * (xm - x) + c2 * rand * (repmat(ym, N, 1) - x);% 速度更新 % 边界速度处理 v(v > vlimit(2)) = vlimit(2); v(v < vlimit(1)) = vlimit(1); x = x + v;% 位置更新 % 边界位置处理 x(x > limit(2)) = limit(2); x(x < limit(1)) = limit(1); record(iter) = fym;%最大值记录 % x0 = 0 : 0.01 : 20; % plot(x0, f(x0), 'b-', x, f(x), 'ro');title('状态位置变化') % pause(0.1) iter = iter+1; end
