基于粒子群优化算法的RBF神经网络在泾惠渠灌区地下水位埋深预测中的应用-论文.pdf

《基于粒子群优化算法的RBF神经网络在泾惠渠灌区地下水位埋深预测中的应用-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第32卷第8期水电能源科学Vo1．32No．82014年8月WaterResourcesandPower文章编号：i000—7709(2014)08—0127—04基于粒子群优化算法的RBF神经网络在泾惠渠灌区地下水位埋深预测中的应用李慧，周维博，刘博洋，李娜。，马聪1,2(1．长安大学环境科学与工程学院，陕西西安710054；2．长安大学旱区地下水文与生态效应教育部重点实验室，陕西西安710054)摘要：针对不恰当地选取RBF神经网络的网络结构和参数会使网络收敛慢的问题，采用粒子群优化算法对RBF神经网络参数进行优化，建立了基于粒子

2、群优化算法的RBF神经网络模型(PSO—RBF模型)，对泾惠渠灌区地下水位埋深进行了模拟和预测。结果表明，与单一的RBF神经网络相比，PSO—RBF模型具有较高的预测精度。再根据时间序列预测法预测的降水量、径流量、蒸发量、渠灌引水量、地下水开采量、气温等模型的输入变量，用训练好的PSO—RBF模型预测了泾惠渠灌区2009～2020年地下水位埋深，发现该灌区地下水位埋深呈下降趋势。关键词：地下水位埋深；预测；粒子群优化算法；径向基函数神经网络；时间序列预测法；泾惠渠灌区中图分类号：TV211．12文献标志码：A会造成网络发散。粒子群优化

3、算法(PSO)采用速1引言度一位置搜索模型，计算复杂度低，可通过群体中粒子间的合作与竞争来搜寻全局最优解。将泾惠渠灌区位于陕西省关中平原中部，总面PSO算法和RBF神经网络结合起来，采用PSO积为1180km，包括咸阳、西安、渭南三市的泾算法来训练RBF神经网络的相关参数，可使粒子阳、三原、高陵、富平以及临潼、阎良四县两区，属群神经网络既具有神经网络的广泛映射能力又具大陆性半干旱气候区，年均降雨量538mm，蒸发有PSO算法的全局寻优能力、局部快速收敛以及量1212mm，主要供水水源为泾河及区内地下启发式学习等特点。鉴此，本文采用粒子

4、群优化水，为一典型的北方平原大型井渠双灌灌区。自算法对RBF神经网络参数进行优化，并运用优化2O世纪8O年代以来，地下水位的持续下降严重过的RBF神经网络预测了泾惠渠灌区地下水水影响了灌区的可持续发展，因此研究该区地下水位埋深变化规律，结果可为合理开发利用泾惠渠位的动态变化规律就显得极其重要_1]。现有的地灌区地下水资源提供科学的管理依据。下水位埋深预测模型主要有确定性数学模型和随机性数学模型_2两种，但确定性数学模型的求解2研究方法所需数据资料较多、计算量大、过程复杂。随机性模型主要包括回归模型、灰色模型以及神经网络2．1粒子群优化

5、算法模型等_3]，其中神经网络模型近年来在地下水位粒子群优化算法(PSO)是一种新的基于群体埋深预测中得到了广泛应用，在众多的神经网络智能的全局优化算法，它源于对鸟类捕食行为的模型中，应用最多的是人工(BP)神经网络、径向模拟。在该算法中，每个粒子代表优化问题的一基函数(RBF)神经网络，尤其RBF神经网络以其个潜在解，并附带一个速度以使粒子可以在整个收敛速度快、全局逼近能力强和网络结构简单等可行解空间上“飞行”，粒子根据自己和同伴的“飞优点应用范围更广。然而，不恰当地选取RBF神行”经验来调整自己的飞行方向。粒子自身找到经网络的网络

6、结构和参数会使网络收敛慢，甚至的最优化解称为个体极值，记为()；整个粒收稿日期：2014—03—03，修回日期：2014—03—31基金项目：“十二五”国家科技支撑计划项目(2011BAD29B0104)作者简介：李慧(1990～)，女，硕士研究生，研究方向为地下水，E—mail：390045111@qq．CON通讯作者：周维博(1956一)，男，教授、博导，研究方向为水资源与水环境及节水灌溉，E—mail：zwbzyz823@163．com·128·水电能源科学子群找的最优化解称为全局极值，记为P()。进行更新以产生下一代的粒子群：

7、在算法迭代过程中，粒子始终“追踪”个体极值和一(0+C1rl(—zt)+c27"2(一zt)(2)全局极值来调整自己的速度和位置，从而实现群‘z一Lzt+(3)体的进化j。式中，t为粒子更新迭代次数；为第t代粒子i2-2径向基函数神经网络在第d维空间的飞行速度；zt为第t代粒子i在径向基函数(RBF)神经网络为三层前馈反向第d维空间的位置；叫为惯性因子，即粒子上一次传播网络，由输入层(x)、隐含层(H)、输出层(y)的速度对本次飞行速度的影响因子，主要用于平组成(图1)，其中输入层由各信号源节点构成，是衡粒子群的全局搜索能力和局部搜索

8、能力、Cz外界与该网络的连接层；隐含层对输入矢量进行均为加速因子，通常取C一c一2；n、r为(0，1)非线性变换，将输入数据从低维空间变换到高维之间的随机数。空间；输出层从隐含层空间到输出空间进行线性步骤5如果当前的迭代