基于BP网络的河道径流预报方法与应用

《基于BP网络的河道径流预报方法与应用》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４１卷第２期人民长江Ｖｏｌ．４１，Ｎｏ．２２０１０年１月ＹａｎｇｔｚｅＲｉｖｅｒＪａｎ．，２０１０文章编号：１００１－４１７９（２０１０）０２－００５６－０４基于ＢＰ网络的河道径流预报方法与应用邓霞，董晓华，薄会娟（三峡大学土木水电学院，湖北宜昌４４３００２）摘要：河道径流预报过程可以认为是一种复杂非线性函数关系的逼近过程。ＢＰ网络具有表达任意非线性映射的特性，因此建立了基于ＭＡＴＬＡＢ神经网络工具箱的ＢＰ网络的径流预报模型。其中采用自相关函数确定网络输入层的神经元数，通过比较样本均方误差值来确定隐含层的神经元数。利用清江渔峡口以上流域１９８９～１９９５年的径流量资料对

2、该模型进行了训练和检验，从而完成了该流域年径流量的预报，并且用多项精度评定指标对其进行了精度定量评价。结果表明：所建模型对所选流域的径流预报精度达到了乙等以上水平，具有一定的实用性。关键词：ＢＰ网络；径流预报；模型结构；精度评价中图法分类号：Ｐ３３８文献标志码：Ａ目前，水文预报模型大体可以分为两类：物理概念充分地证明了ＭＡＴＬＡＢ的神经网络工具箱在径流预［１］［４，５］型和数据驱动型。传统的水文预报模型多为概念报研究中的利用价值。型模型，它们是基于基本的水文知识和规律建立起来本文将在上述研究者基础之上详细地介绍ＢＰ神的。近年来，基于物理概念的分布式模型的研究取得经网络结构

3、的确定方法，为进一步提高径流预报精度了长足发展。但由于观测手段不够完善，掌握的资料做出贡献。所研究的对象为位于湖北省境内的清江渔信息不充分，建立严格意义的分布式模型往往很困难。峡口以上流域。而人工神经网络（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ，简称１ＢＰ网络原理ＡＮＮ）则是一种数据驱动模型，它们是由简单但密集的神经元相互连接而成，可以通过神经元间的连接权ＢＰ（Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ）网络是神经网络中一种反重自动学习和储存信息。利用人工神经网络所具有的向传递并能修正误差的多层前向映射网络，通常是由对复杂的非线性关系进行识别与处理的能力，将其应输入层、若

4、干隐含层和输出层组成的，层与层之间的神用于洪水预报中是一种开创性的新途径。经元采用全互连的模式，通过相应的网络权值相互联金菊良等率先将人工神经网络应用于年径流预报系，每层内的神经元没有连接。当参数适当时，此网络［６］研究，着重介绍了ＡＮＮ基本原理和算法，并结合实例能收敛到较小的均方差。说明了应用方法，为年径流预报提供了具有实用价值ＢＰ网络的学习，就是利用样本资料并根据一定的［２］的基本理论和实施技术。袁飞等在此基础上，运用目标函数来优化网络的参数（权值和阈值）的过程。ＭＡＴＬＡＢ的神经网络工具箱构建了ＢＰ神经网络，大目前，网络学习算法通常采用的是反传学习算法大缩短了神经网

5、络的建模时间，使网络设计者摆脱了（Ｂａｃｋ－ＰｒｏｐａｇａｔｉｏｎＡｌｇｏｒｉｔｈｍ，简称ＢＰ算法），它通过繁琐的编程工作，将研究重点转移到如何优化网络配误差函数最小化来完成输入到输出的映射，训练可分［３］置、提高网络学习效率、推广能力和仿真效果上来。为两个过程：①输入的信息流从输入层，经隐含层到雷晓云、何强等对其进行了进一步的研究，其成果更加输出层逐层处理并计算出各神经元的实际输出值，这收稿日期：２００９－１１－３０基金项目：国家自然科学基金资助项目（４０７０１０２４）；三峡大学研究生科研创新基金资助项目（２００９０３）作者简介：邓霞，女，硕士研究生，主要从事水文水资源

6、研究工作。Ｅ－ｍａｉｌ：ｄｏｕｙａ．１９８６＠ｙａｈｏｏ．ｃｏｍ．ｃｎ第２期邓霞，等：基于ＢＰ网络的河道径流预报方法与应用５７一过程称为信息流的正向传递过程。在正向传播过程本文将采用自相关函数（ＡｕｔｏｃｏｒｒｅｌａｔｉｏｎＦｕｎｃｔｉｏｎ，中样本信号经过Ｓｉｇｍｏｉｄ函数作用逐层向前传播，每简称ＡＣＦ）对径流量进行自相关性分析，以获得径流一层神经元的状态只影响到下一层神经元的状态。②量的自相关程度。计算网络的实际输出与训练样本期望值的误差，若该将一个有序的随机变量系列与其自身相比较，是误差未达到允许值，根据此误差确定权值的调整量，从自相关函数在统计学中的定义。每个不存在

7、相位差的后往前逐层修改各层神经元节点的连接权值，这一过系列，都与其自身相似，即在此情况下，自相关函数值［７、８］程称为误差的逆向修改过程。最大。如果系列中的组成部分相互之间存在相关性两个过程完成了一次学习迭代。这种信息的正向（不再是随机的），则由以下相关方程所计算的值不再传递与根据误差的逆向修改网络权值的过程，是在不为零，这样的组成部分为自相关。断迭代中重复进行的，直到网络输出误差逐渐减小到Ｅ［（Ｘ－μ）（Ｘ－μ）］ｉｉｉ＋ｋｉ＋ｋＲ（ｋ）＝（１）２允许的精度，或达到预定的学习次数。同时需要确定σ的参数有期望误差、最大循环次数