资源描述：
《区域地下水位的灰色_bp神经网络预测模型》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、第1卷第2期146中国科技论文在线SCIENCEPAPERONLINE2006年9月区域地下水位的灰色-BP神经网络预测模型李丹，郝振纯，薛联青（河海大学水资源环境学院，江苏南京210098）摘要：针对区域地下水位的随机波动性、高度非线性及复杂性，构建了灰色BP神经网络预测模型（Grey-BPnnMOD）。该模型由灰色GM（1，1）和改进的BP神经网络模型两个部分构成。通过GM（1，1）消除数据系列的不稳定性，然后将其输出作为BP神经网络的输入，达到拟合非线性系统的目的。本文以山东枣庄市为例对模型进行了验证，结果表明该模型能有效地结合两者的优点，不
2、仅操作简单，而且预测效果好，值得推广应用。关键词：区域地下水位；灰色系统；神经网络中图分类号：TV211.1+2文献标识码：A文章编号：1673—7180(2006)02—01146－41引言后得出的结论是用Levenberg－Marquardt（LMBP算地下水位受气候、土壤植被、入渗、蒸发等多种法）训练的前向式网络最优。但在数据系列具有明因素影响，表现出高度的准周期性、跳跃性和相依显随机波动性的情况下单纯使用神经网络往往难以性，然而在一定的周期内却常常表现出明显的随机获得理想的预报效果。因此探讨多种方法交叉的组性，因而构成一个复杂的非线性动力系
3、统。传统的合预测模型成为研究热点。在地下水位预测研究中，[7][8]预测方法如水均衡法、有限元及有限差分法等虽物本文首次尝试将灰色系统理论与神经网络相结理意义明确、计算精度高，但需要较多的物理参数，合，来消除地下水位的随机波动性，达到拟合非线实现起来比较困难。近年来，神经网络方法因其强性系统的目的。大的处理非线性动力系统能力而在地下水文中得到2Grey-BPnnMOD的建立了广泛的应用及推广。在实际应用中，80％～90％2.1基本原理的人工神经网络模型(ANN)都采用误差反向传播图1是Grey-BPnnMOD的流程图。由于原始数[1-2]（BP）算
4、法或其改进形式。到目前为止，已有很据系列具有明显的随机波动性，首先将数据进行预[3-5]多水文学家对此做了较为深入的研究。Ioannis处理。之后将经过GM（1，1）处理过的数据作为[6]N.Daliakopoulos等曾将不同的神经网络结构与各BP神经网络模型的输入。种算法进行组合后对地下水位进行模拟，比较计算xi资料x′灰色理论yBP神经y′iii预处理模型网络图1模型流程图2.2模型建立(0)(0)(0)(0)(0)x=((xx1),(2),,()?xn)（1）在GM(1,1)灰色预测模型中，令x为原始序列，(0)相应地有x的AGO生成序列：
5、李丹（1980－），女，在读博士，主要从事水文学及水资源方面的研究。E-mail：54dli@163.com郝振纯（1958—），男，，博士生导师，教授，从事生态学方面的研究。薛联青（1973—），女，副教授，从事水生态环境方面的研究。第1卷第2期2006年9月中国科技论文在线SCIENCEPAPERONLINE147(1)(1)(1)(1)级比可容区是建模的基本条件，然而不是实用条件，x=((xx1),(2),,()?xn)（2）为了建立满意有效的GM(1,1)模型，要求级比落于靠近1的一个子区间，即有（5）式：k(1)(0)(1)(0)x(1)
6、==xx(1),()kX∑()m（3）ItGM⊂ItG（5）m=1令级比为：xk()−1，灰色系统理论指出，ItG=(1−+ε,1ε)（6）σ()k=x()k灰色模型序列x的级比σ(k)必须落在可容区ItG其中ε是一个任意小的实数，也就是说对原始数据中：的处理原则是要求数据序列的级比σy()k尽可能的接近1。ItG=(0.1353,7.389)（4）(1)(1)令z为x的白化背景值：(1)(1)(1)(1)(1)(1)zk()0.5(()=+xkxk(1)),(1)((2),(3),−z=zz?zn())（7）因此我们最终得到GM(1,1)模型的灰
7、微分方程如Grey-BPnnMOD模型的第三部分主要分两步：下所示：①前向传播(0)(1)隐含层第i个神经元的输出为：x()ka+=zkb()（8）⎛⎞r其中x(0)()k为k点的灰导数,zk(1)()为结构值,aof=+⎜⎟∑ω⋯pb(i=1,2,，s1)(12)11ii1jj1j⎝⎠j=1为发展系数,b为灰作用量。a和b是方程的两个参数。1其中fx1()=−xb为隐含层第i个结点的阀值；此时有GM(1,1)白化模式的响应式：1+e；1i(1)(0)bb−akr为输入层结点数。xkˆ(1+=)((x1))−e+（9）aa输出层第k个神经元的输出为
8、：(0)(1)(1)sxˆˆˆ(1kx+=)(1kx+−)()k（10）⎛⎞1of22kk=+⎜⎟∑ω⋯2iab12ik(
