基于神经网络流域日径流量预测.pdfVIP

基于神经网络的流域日径流量预测 秦国民，孙龙 （河海大学水资源环境学院，江苏南京 210098 ） E-mail：no23q@163.com 摘 要：建立了基于BP 网络的径流预测模型，对神经网络的结构、输入层、隐含层、输出 层神经元数等问题进行了分析和探讨，利用三花间的1 个子流域多年的日径流资料对其进行 了训练和检验，建立模型进行仿真模拟，通过实测和预测结果的比较，表明模型的效果令人 满意。 关键词：ANN BP 网络模型 径流预测 1. 引言 径流预测在水资源规划管理和水库的运行与管理中都起着重要的作用。进入20世纪90 年代，由于计算机软、硬件的日益成熟，功能迅猛增强，许多凭借于计算机的高速计算功能 而得以发展的人工智能技术，如人工神经网络（Artificial Neural Networks ，缩写为ANN ）、 遗传算法、模糊逻辑、决策树等在水文科学领域广为应用。ANN是数据驱动模型，是一种 以建立输入输出数据之间的最优数学关系为目标的黑箱子方法。它结构灵活，能很好地反映 径流时间序列的非线性关系[1] 。 ANN 的典型形式主要有BP模型，Hopfield模型和Kohonen模型等。其中以BP算法为基础 的前馈神经网络是应用的最广泛的一种网络。在此简单介绍BP神经网络的建模和一个应用 实例。 2. BP 神经网络简介 BP算法是最初由Werbos开发的一种反向传播训练算法，用于求解前馈网络的实际输出 与期望输出间的最小均方差值，而BP 网络正是神经网络中一种反向传递并能修正误差的多 层映射网络，通常采用输入层、输出层和隐含层三层结构，层与层之间的神经元采用全互连 的模式，通过相应的网络权系数相互联系，每层内的神经元没有连接。当参数适当时，此网 络能收敛到较小的均方差[2] 。 BP 算法通过误差函数最小化来完成输入到输出的映射，训练过程可分为两个过程：① 输入的信息流从输入层，经隐含层到输出层逐层处理并计算出各神经元的实际输出值，这 一过程称为信息流的正向传递过程。在正向传播过程中样本信号经过 Sigmoid 函数作用逐 层向前传播，每一层神经元的状态只影响到下一层神经元的状态；②计算网络的实际输出 与训练样本期望值的误差，若该误差未达到允许值，根据此误差确定权重的调整量，从后 往前逐层修改各层神经元节点的连接权重，这一过程称为误差的逆向修改过程[3] [4] 。 两个过程完成了一次学习迭代。这种信息的正向传递与根据误差的逆向修改网络权重的 1 过程，是在不断迭代中重复进行的，直到网络的输出误差逐渐减小到允许的精度，或达到预 定的学习次数。同时需要确定的参数有期望误差、最大循环次数、学习速率、网络的层数、 各层的神经元数以及其相应的激活函数等。三层感知器网络训练的经典BP 算法网络程序框 图如下： 给定网络参数初始值 给定输入和目标输出向量，并标准化 求隐含层、输出层各神经元输出 求目标值与网络计算输出的误差E Yes Yes E ≤ ε 全部 End No No 计算隐含层神经元误差