基于mea优化神经网络的地下水埋深时空分布预测模型

《基于mea优化神经网络的地下水埋深时空分布预测模型》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于MEA优化神经网络的地下水埋深时空分布预测模选用石家庄平原区28眼水井的实测资料作为预测目标值，首次建立了基丁•思维进化优化的神经网络的地下水位埋深时空分布预测模型，利用ArcGIS分析误差空间分布趋势，并与常用的小波祌经网络模型进行了对比。结果表明：基于水均衡理论的MEANN地下水位埋深模拟模型能够准确反映人类和自然双重影响下地下水系统的非线性关系；与WNN模型相比，MEANN可使RMSE减小58.2%,MAE减小53.1%,而高精度样本要增加25.8%,Ens提高至0.99(P〈0.01)

2、达到极显著水平；MEANN空间模拟精度较高，误差分布均匀，空间波动程度小，同时RMSE在所有区域上均明显呈现出MEANN模型小于WNN模型。显然MEANN模型在精度、稳定性和空间均匀性上更优，可作为地质资料缺乏条件下浅层地下水埋深高精度预测的推荐模型。关键词：地下水位；时空分布；神经网络；思维进化；预测P641:A:16749944(2017)80037051引言不科学的地下水使用和管理模式所造成的后果已经成为严重的世界性问题，尤其是在发展中国家［1］，我国北部及西北大部分地区水资源严重匮乏，其干

3、旱、半干旱气候特征和粮食作物种植?Y构造成陆地实际蒸散发量大于降水量，同时地表径流量又不断减少，已经面临几乎无地表水可用的客观问题，而长期对地下水过度的开采使含水层开始疏干，地下水流场发生异变，形成地下水漏斗且导致了严重的地谢沉降。地下水埋深的预测对实现地下水资源的可持续利用具有重要的指导作用。相比较丁确定性模型，利用随机模型来解决地下水水文方面的优势已经非常明显［2〜4］。人工神经网络(ArtificialNeuralNetwork,ANN)作为随机模型中具有代表性的一种，因其在解决复杂的非线性

4、系统问题上的良好表现使得其广泛的用于水文预测［5〜7］,Lallahem等［8］、Sreekanth等［9］和霍再林等［10］分别在不同的地区将ANN用于地下水位的预测屮，验证了不同ANN模型模拟地下水位的可靠性。Yang等［11］使用BPANN(Back-PropagationArtificialNeuralNetwork,BPANN)模型模拟吉林地下水埋深，验证了ANN优于综合时间序列模型(TTS)。但传统的ANN存在固有的缺陷，如需要较多的学4样本，且训练速度慢，初始权值和阈值选择敏感程度岛

5、。随着电脑技术的发展，使得A丽更为优化和完善，这些改进大致上可以归纳成两方面：一是使用进化算法优化ANN的计算参数或将其它理论；二是ANN结合优化传统ANN传递函数、网络结构。基于思维进化优化的神经网络(artificialneuralnetworksoptimizedbymindevolutionaryalgorithmMEANN)，具有很强的全局优化能力，可以大幅提高传统神经网络的收敛速度和精度。为进一步探宄优化后的ANN模型在地下水水文预测中的应用前景。首次建立基于MEANN的地下水埋深预报

6、模型，并与目前广受学者关注的基于小波分析与祌经网络相结合的小波祌经网络模型(wavclct?CncuralnetworkWNN)进行比较。2材料与方法2.1MEANN模型思维进化算法［12］(MindEvolutionaryAlgorithmMEA)，该算法是根据对遗传算法中存在问题的思考以及对人类思维发展的分析，从而模拟生物进化过程中人类思维进化的方式，并提出了“趋同”与“异化”两个概念。它可以很大程度上提升全局搜索的效率，具有较强泛化性和全局优化能力［13］。与遗传算法相比，思维进化算法具有结

7、构上固有并行性及避免交叉与变异算子双重性的优点，以下为其设计思路。(1)在解空间内随机生成一定规模的个体，根据其得分情况选出优胜个体及临时个体。(2)分别以上一步选出的优胜和临时个体为屮心，在其周围产生一定量的新个体，从而得到对应子群体。对各子群体内部进行趋同操作至成熟，并以该子群体屮最优个体的得分为整个群体得分。(3)子群体成熟后，将各个子群体得分在全局公告板上张贴，在子群体之间进行异化操作，完成优胜子群体与临时子群体间的替换、废弃及个体释放的过程，从而计算全局最优个体及得分。其具体设计步骤流程

8、见图1。2.2WNN模型WNN结合祌经网络和小波变换的特点，是一种以BPAWO石扑结构为基础，把小波基函数作为隐含层节点的传递函数，信号前向传播的同时误差反向传播的祌经网络。两种理论的组合有效改善了传统ANN的模型效率［14,15］。且WNN在地下水埋深的预测中具有较好的表现，有效提升传统ANN模型精度［16］。WNN的详细理论及实现过程见文献［17］。2.3数据统计分析方法采用均方根误差（Rootmeansquareerror,缩写RMSE）和模型有效系数（Ens）、平均绝对误差