本论文中,利用不依赖先验概率模型的多层前馈神经网络模型对合肥的中国新一代S波段A系列雷达的2001-2003年间的降水资料进行了层状云降水、对流云降水和混合云降水三种降水类型的分类,并将训练完成后的BP网络应用于一次降水过程。上述雷达位于东经117°15′28′′,北纬31°52′1′′;天线的海拔高度为165m,最大遮挡仰角为1.5°,最佳观测仰角为0.5°;其天线增益为45.69dB,峰值功率为690kw,波长为10cm。研究所用资料是利用该雷达的原始体扫资料经过补漏测方位处理、水平方向双线性插值、垂直方向线性插值后得到的直角坐标下的5-10km的不同层次的回波强度的CAPPI资料。该资料的水平格距为1.5km,垂直格距为1km。其中,对流云降水和混合云降水用的是2001-2003年973项目的资料;层状云降水用的是2003年此雷达探测层状云降水所得的资料。从上述5-10km各层次资料中选取了一定数量的具有代表性的30km×30km范围的典型的层状云降水、混合云降水和对流云降水的回波强度矩阵各100个,建立了论文研究所用的数据库。各类型的100个回波强度矩阵中取20个建立训练库,剩下的80个作为检验库。本论文使用基于BP(Back-Propagation)算法的输入层为2个神经元、输出层为3个神经元的单隐层的前馈神经网络模型。下面是本论文的研究结果和结论:(1)神经网络在对雷达资料进行三种降水类型的分类可以达到很高的成功分辨率。当取适当的结构和参数时,对训练集和测试集以及应用的个例都可取得93.75%以上的成功分辨率。(2)由于神经网络进行识别时不需要知道降水类型的先验统计模型,且所用的特征维数仅为2,因此,其相对于传统的统计方法更利于推广使用。(3)神经网络的性能受其结构的影响较大。当结构选的不理想时,网络的性能较差。本论文中,多层前馈网络的输入层为2个神经元,输出层为3个神经元,且当取单隐层,隐层为6个神经元时,网络得到最大得成功分辨率。(4)隐层的神经元数目对网络的性能有较大的影响。隐层神经元的数目取得很少时,网络的性能很差;但是,也并非隐层神经元数目越多,网络的性能越好。对于本实验,通过多次试验得知,隐层神经元数目取6时,网络取得最好的分类效果。(5)验证了学习率A对网络的收敛效果影响很大。若A选的合适,则网络可以很快收敛,否则,网络可能进入误差很大的局部极小点,甚至振荡无法收敛。对于本论文的神经网络,经多次迭代试验得知,当A=0.7时,网络的收敛效果最好。