神经网络在感潮河段洪水水位预报应用.pdfVIP

第十七章模型应用 神经网络在感潮河段洪水水位预报中的应用 赵建波1 赵海伟1 杨远2 (1．河海大学水文水资源学院南京210098；2．中国水电顾问集团 成都勘测设计院成都610072) 摘要神经网络用数学的方法模拟人脑的特性，可以对映射关系较好的输入输出进行学习训练，是一种优秀的 非线性函数逼近方法，BP算法在众多的神经网络模型中得到广泛应用。本文基于感潮河段洪水的非线性，应用 BP神经网络模型对曹娥江感潮河段水位预报，取得预期效果。 关键词神经网络感潮河段 洪水预报 1引言 Neural 人工神经网络(Artificial 对人脑若干复杂的特性进行抽象和模拟，是一种模仿人脑结构及其功能的非线性信息处理系统…。作为目 前国际上研究异常活跃的前沿领域之一，人工神经网络以其大规模并行处理、分布式存储、自适应性、容错 性、冗余性等许多优良特性引起众多领域科学家的广泛关注旧J。同样，近年来在水文学科的研究与应用也 引起水文学者的关注日。1。采用误差逆传播算法训练的神经网络称为BP(Back 的人工神经网络模型中，BP模型是目前应用于预测和模式识别等方面最广泛的模型，误差逆传播学习算法 可以实现多层向前神经网络的训练。本文应用其特性，将反映河道洪水演进规律的实测资料作为输入，通过 BP网络的学习训练，从而实现河道洪水的计算机模拟，并选用曹娥江流域验证模型的效果。 2 BP神经网络的基本原理 函数可由一层或多层的隐节点，同层节点中没有任何耦合，具有结构简单、易于实现的特点‘“。 其结构如图1所示。输入信号从输入节点依次传 输出层 过各隐含层节点，然后传到输出节点，每层节点的输 出只影响下一层的输出。其节点单元特性(传递函 层 数)通常为Sigmoid型{以省)=1／[2+exp(一Bx)]曰 0}，但在输出层中，节点的单元特性有时为线性。 简单说，BP网络为一个从输入到输出的高度非激活传 误差回 传方向 线性映射，即F：群一R“，F(z)：Y。对于样本集播-亨向 合：输入z。(∈R“)和输出，，，(∈R”)多可以认为 存在某一映射g使 g(茹f)=Yfi=1，2，3，…，n (1) 现在需求出映射，，使其在某意义下(比如最小 二乘法)是g的最佳逼近。 输入层 2．1 BP算法的学习过程 图1两个隐含层的BP网络 BP算法的学习过程分为正向传递过程、输出误 差的逆向修改过程和循环学习过程，模型通过循环记忆学习达到全局误差的最小。 2．1．1正向传递过程 在此过程可利用输入模式求出它所对应的实际输出。设输入模式向量为：F={茗：，x!，…，z：}，其 第一作者简介：赵建波(1981一)，男，硕士研究生，在河海大学城市水务专业学习。 第五篇应 用 实践 中，k为学习模式的对数；凡为输人层个数。与输入模式相对应的期望输出为：p={y：，儿k，…，y：}，其 中m为输出层个数。 根据神经元的数学模型原理，计算隐含层单元的激活值： net=∑wji霉+0。(J=1“2一，z) (2) 式中：训i为输入层到隐含层间的连接权值；0。为隐含层单元的阀值；z为隐含层单元数。 选用连续可微分的S型函数作为BP网络神经元的激活函数，可得到隐含层节点的输出： 讲=八net)=七