推定システム

43

44

図

3.3

推定システム１（対象地点におけるメッシュのみの レーダ観測値を入力とする推定システム）

45

・推定システム

1

：対象地点におけるメッシュのみのレーダ観測値を入力とす るシステム（入力層

4

ユニット，中間層

3

ユニット，出力層

1

ユニット，

図

3.3

参照）

・推定システム

9

：対象地点及び周囲の

9

メッシュにおけるレーダ観測値を入 力とするシステム（入力層

12

ユニット，中間層

4

ユニット，出力層

1

ユニ ット，図

3.4

参照）

・推定システム

10

：対象地点及び西方の

10

メッシュにおけるレーダ観測値を 入力とするシステム（入力層

13

ユニット，中間層

4

ユニット，出力層

1

ユ ニット，図

3.5

参照）

・推定システム

all

：対象流域内における全

28

メッシュのレーダ観測値を入 力とするシステム（入力層

31

ユニット，中間層

8

ユニット，出力層

1

ユニ ット，図

3.6

参照）

これらの図に示したニューラルネットワークの中間層ユニット数は，あらか じめ試行を行い誤差が小さく，かつ計算時間が少なくなるものをそれぞれ採用 した。例えば，推定システム

all

では，中間層ユニット数を

8

個以上に増やして も，推定誤差が小さくならないため，冗長な計算時間を避けるために，ユニット 数は

8

としている。他のシステムにおいても同様にして中間層ユニット数を決 定している。

推定システム

9

では，対象地点の周囲

9

メッシュにおけるレーダ観測値を入 力とする。具体的に，対象地点を畑薙第一ダム地点

A(

図

3.1

のメッシュ

No.10)

とした場合，入力に用いるレーダメッシュは，

No.5, 6, 7, 9, 10, 11, 20, 21, 22

と なる。同様に，推定システム

10

では対象地点を畑薙第一ダム地点

A

とした場 合，レーダメッシュ

No.10, 3, 4, 5, 11, 12, 13, 18, 19, 20

を入力に用いている。

なお，いずれの推定システムにおいてもニューラルネットワークによる出力 値の算出は，入力層の出力を

I

i，中間層の出力を

H

j，出力層の出力を

O

k，入力 層から中間層への結合係数を

W

ji，中間層から出力層への結合係数を

V

kj，中間層 の閾値を

θ

j，出力層の閾値を

γ

kとした時，式

(3.1)~(3.3)

で行っている。結合係 数

W

ji，Vkjと閾値

θ

j，

γ

kはバックプロパゲーション法による学習によって決定 している。式

(3.2)

はシグモイド関数で

α

はゲインである。

46

構築した推定システムの各種パラメータは以下の値を用いている。

・ニューロンの入出力関数

:

シグモイド関数

・結合係数用学習定数

: 0.9

・シグモイド関数のしきい値用学習定数

: 0.8

・シグモイド関数の傾き: 0.75

・結合係数の初期値

:

乱数（

0

～

1

）

・しきい値の初期値

:

乱数（

0

～

1

）

・収束条件

:

誤差の絶対値総和が

0.001

以下

47

(a) 対象地点周囲のレーダメッシュ（対象地点 R

i(5)）

(b) 対象地点及び周囲の 9

メッシュにおける

レーダ観測値を入力とする推定システム

図

3.4

推定システム

9

48

(a) 対象地点西方のレーダメッシュ（対象地点 R

i(1)）

(b) 対象地点及び西方の 10

メッシュにおける

レーダ観測値を入力とする推定システム

図

3.5

推定システム

10

49

図

3.6

推定システム

all

（対象流域内における全メッシュの レーダ観測値を入力とするシステム）

50

ドキュメント内 ニューラルネットワーク活用による 水力・風力エネルギーの予測精度向上 (ページ 48-55)