科技文档排版原始材料.docVIP

水库调洪演算BP网络模型的建立与研究 ※※※1 　 ※※※2 　　 ※※※1　 　※※※ 3 西北农林科技大学水建学院 2. 西北农林科技大学信息工程学院 陕西杨凌 712100；3. 浙江省围海工程公司 浙江宁波 315051 [摘 要] 分析了影响水库调洪演算的因素，建立了基于人工神经网络下的水库调洪演算BP网络模型，进行了洪水过程模拟和预测；对影响网络收敛速度的因素做了探索研究，阐述了BP网络参数选择原则和选取范围． [关键词] 水库调洪演算；人工神经网络模型；参数选取 [中图分类号] 水库调洪演算在水库设计中有着举足轻重的地位。通常借助于水库调洪演算辅助曲线图解计算，该方法操作复杂，曲线更新繁琐，计算精度也受人为因素的影响。本文以时段水库水量平衡原理和动力平衡原理为依据，使用人工神经网络的理论和技术，建立了基于BP网络的水库调洪演算人工神经网络模型，进行了洪水过程模拟和预测．并对影响网络收敛速度的因素做了探索，阐述了BP网络参数选择原则和选取范围。 1．BP网络模型简介 BP网络模型是实现复杂非线性映射的新方法。如果网络的输入层神经元个数为n，输出层节点数为m，则该网络实现的是R n到R m的映射，即有：R n → R m [1] 。 BP算法主要包括两个过程：一是由学习样本、网络权值W和阈值θ，按照输入层→隐层→输出层的顺序，逐层计算节点的输出；二是由期望输出与计算输出构造出误差函数E（Wk）,采用梯度下降法调整网络权值，即 通过不断学习，当误差函数E（Wk+1）小于任意小的值ε时，网络收敛。 2．水库调洪演算的BP网络模型建立 2.1 BP网络的输入与输出 水库调洪演算是在水库水量平衡和动力平衡原理（即圣维南方程组的连续方程和动力方程）的支配下进行的[2]。水库水量平衡方程可用下式描述： 式中，Q1和Q2为时段△t始、末的入库流量（m3/s），q1和q2为时段△t始、末的出库流量（m3/s），V1和V2为时段△t始、未的水库蓄水量（m3），△t为计算时段（s）。 动力平衡用水库的蓄泄关系描述： 式中，q是下泄流量（m3/s）；H为堰上水头(m)。 在水库调蓄洪水期间，视水库为静水面，则有H=f (V)，其中V为水库库容(m3)。结合（2）式，则有： 由（1）和（3）可得：q 2=f (q 1,Q) 或 q 2= f (q1, Q1 ，Q2) 水库调洪演算的实质就是确定时段末的下泄流量q2。q2是时段初的下泄流量q1和时段平均入库流量Q的函数，或是时段初的下泄流量q1和时段始、末入库流量Q1 、Q2的函数。它们分别对应于网络的输出和输入，输入与输出之间存在着非线性映射关系。 2.2 BP网络模型的建立 经比较，输入层神经元分别为Q1、Q2和q1 3个，隐层节点数为7，输出层节点数为1，构成BP网络（简称3-7-1模型）。表1为某水库12 h洪水演算数据[ 2]，将其中的前9个洪水过程数据作为学习样本，后3个（内插数据）作为预报样本。取学习率为1.85，冲量因子为1.3。经网络不断学习和对学习效果比较，得出网络最优权值和阈值，如矩阵W1、W2、W3、W4所示。W1为输入层对隐层的权值、W2为隐层对输出层的权值、W3为隐层阈值、W4 为输出层阈值，BP模型拟合和预测结果如表2。 表1 某水库12h洪水过程基本数据 Table 1 Some reservoir of 12h floodwater process basic data 表2 BP模型拟合和预测结果 Table 2 Imitation and prediction results of floodWater process BP neural network 3 网络参数对网络收敛速度的影响 在保证网络学习质量的前提下，提高BP网络的收敛速度，一直是人们研究的问题[ 3 ]。对于三层BP网络，影响收敛速度主要因素有：输入层神经元数、隐层节点数、输出层节点数、学习率、冲量因子。对此，本文分析研究如下： 3.1 输入层神经元个数 一般认为，输入层神经元数为影响因子数[ 4 ]，但由于研究问题的出发点不同，可得到同一问题，影响因子数不同。计算结果表明当网络其他参数不变时，输入层神经元数目多时，更有利于提高网络的收敛速度。水库调洪演算中的输入层神经元个数可为时段初出库流量和时段平均入库流量两个因子，也可为时段初、末入库流量和时段初出库流量 3个。当为2个因子时，网络学习次数为321万次，当为3个时，网络学习次数为260万次，学习次数减少20%。 3.2隐层节点数 隐层节点数个数的确定也是人工神经网络理论界一直研究的问题[ 3 ]。图2表示了不同隐层节点数对网络学习速度的影响，可