bp神经网络和灰色系统在地下水动态中的应用

《bp神经网络和灰色系统在地下水动态中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、http://www.paper.edu.cn1BP神经网络和灰色系统在地下水动态中的应用1112于国强，李占斌，李鹏，张霞1西安理工大学西北水资源与环境生态教育部重点实验室，陕西西安（710048）2陕西省环境科学研究设计院，陕西西安（710061）E-mail:yuguoqiang23@sina.com摘要：以陕西洛惠渠灌区实测数据为例，首先引用3层前馈型BP网络建模方法，对灌区自然——人工——生物条件下地下水动态进行了研究，并采用附加动量法和学习速率自适应调整策略对反向传播算法进行改造。运用缺省因子检验法分析了输入层各因子对地下水埋深影响的敏感性；其次采用灰

2、色关联法分析了各因子与地下水埋深的关系。并运用灰色动态模型进行灾变预测。结果表明，蒸发量是影响该灌区地下水动态的主要因子，而各因子之间相互作用影响，形成了复杂条件下的耦合关系；人工神经网络模型具有较高的精度，可以很好的定量描述地下水动态与各影响因子之间响应关系，灰色关联法验证了各因子的敏感程度，而灰色动态模型的灾变预测精度较高，从而完善模型系统。将这三种方法结合运用到灌区地下水动态评价中是切实可行的，是对传统地下水动态研究方法的补充与完善。关键词：洛惠渠灌区；地下水动态；人工神经网络；敏感性因子；灰色关联分析；灰色动态模型灌区在西北干旱半干旱地区的农业生产中占有重

3、要地位。长期以来，由于灌区水资源利用和管理中还存在不尽完善的方面，灌区农业生态环境出现了土壤次生盐渍化、水质退化以及地下水位下降等不良生态环境问题。如何加强灌区水资源利用和管理，减轻或者避免灌区土地退化成为灌区面临的主要问题之一。地下水动态模拟是干旱内陆灌区水资源优化管理与调控的基础。对大型灌区而言，传统[1]的地下水动态研究主要是基于水文地质条件进行参数率定、建立模型、数值模拟，由于地[2-6]下水流类型、边界条件等难以准确确定，水文地质参数的优选过程复杂等，若以灌域为基本单位，自然——人工——生物条件下的地下水系统时空变异性极为显著，其影响因素多种多样，因果关

4、系存在很强的非线性。在地下水调控决策前有必要知道各个影响因子与地下水系统动态之间的定量关系，建立自然条件与人类活动条件下地下水动态的量化模型，这对于干旱内陆灌区地下水资源的管理与调控具有重要的实际意义。近年来，人工神经网络[7-13](ArtificialNeuralNetwork)在陆地水文——尤其是地下水系统研究中得到了广泛的应用，[14]大多是针对田间小块区域或某段时间序列的简单条件下进行的，虽有些研究同时考虑了自然因素、人类活动等条件，但是对各敏感因子的讨论以及敏感程度如何目前还很少有涉及。本文不仅利用改进的BP网络技术建立了大型灌区的地下水动态模型，描述

5、了自然——人工——生物复合因素对灌区地下水动态的影响，运用缺省因子检验法分析了各因子对灌区地下水动态影响的敏感性，同时还采用灰色关联法定量分析了地下水动态变化对各因子敏感程度，根据其关联系数进行了综合排序，以对BP神经网络进行检验，在此基础之上运用灰色动态模型对影响地下水位较为强烈的敏感因子进行灾害年份和灾害量预测，从而完善模型系统，为改善灌区地表生态环境提供了更精确的科学依据。1.BP网络及其改进的BP学习算法BP网络具有很强的非线性映射及自学习能力，可以广泛应用于函数逼近、模式识别、分类和数据压缩。其构造是一单向传播的多层前向网络，学习算法包括正向计算和误差反

6、向1本课题得到国家科技支撑项目（2006BAD09B02）“黄土高原水土流失综合治理工程关键支撑技术研究”；中日合作项目（SBS—379）“沙漠化防治规划研究”的资助。-1-http://www.paper.edu.cn传播两个过程。由非线性变换单元组成的BP网络不仅结构简单，而且具有很好的非线性映[7]射能力，但这种调节权值的方法存在收敛速度慢和容易陷入局部极小点等缺点。地下水文[9]模拟及预测实际上是函数映射或拟合问题，3层BP网络能够满足需要。在实际应用中出现了很多诸如模拟退火算法、单纯形法、Tabusearch算法及遗传算法等的改进算法。本研究采用应用最广

7、的增加冲量（动量）项的改进BP算法，该法采用附加动量法和自适应学习率两种策略，从而避免了陷入局部极小值并加快了网络的训练速度。动量法降低了网络对于误差曲面局部细节的敏感性，有效地抑制了网络陷于局部极小；自适应调整学习速率有利于缩短学习时间。该方法是在反向传播的基础上，在每一个权值的变化上加上一项正比于前次权值变化量的值，并根据反向传播法来产生新的权值变化。带有附加动量因子的权值调节公式为：ΔV()k+1=()1−mcηdb+mcΔV(k)，(j=1，2，…，l；t=1，2，…，n)；(1)jttjjtΔV1()k+1=(1−mcηd)+mcΔV1(k)，(t=1，

8、2，…，n