BP神经网络在吴淞口潮位短期预报中的应用.pdfVIP

22 东北水利水电 2009年第 2 期 第 27卷第 295期 [文章编号 ] 1002 - 0624 2009 02 - 0022 - 03 BP神经网络在吴淞口潮位 短期预报中的应用 1 2 易文林 ,方正杰 1. 上海市水文总站 ,上海 200000; 2. 上海市堤防 泵闸 设施管理处 ,上海 200000 [摘 　要 ]结合潮汐数据的规律性 ,利用人工神经网络建立吴淞 口逐时潮位之间的非线性关系 ,从 而对吴淞口潮位进行短期预报 。实例证明 ,非风暴潮期间 ,这种方法的预报精度符合水文情报预 报标准 , 6h 以内的预报精度较高 。 [关键词 ]神经网络 ;吴淞口;潮位 ;短期预报 [中图分类号 ] TV 124 [文献标识码 ]B 潮位预报主要包括天文潮预报和风暴潮预报 。 模型 简称 B P 网络 。B P 网络是一种单向传播的 天文潮预报一般采用调和分析法 ,借助实际潮位观 多层前馈网络 ,一般具有三层或三层以上的神经网 测资料 ,求出调和常数 ,推算各时刻的潮位 ,潮位的 络 ,包括输入层 、中间层 隐层 和输出层 。上下层 调和分析需要较长系列的历史资料 。风暴潮预报一 之间实现全连接 ,而每层神经元之间实现全连接 。 般可归纳成经验统计法和数值预报法 。正常天气情 当把一对学习样本提供给网络后 ,神经元的激活值 况下的潮位预报主要是指天文潮位的预报 。近年 从输入层经各中间层向输出层传播 ,在输出层的各 来 ,很多学者对潮位时间序列分析进行了多方面的 神经元获得网络的输入相应 。接下来 ,按照减少 目 研究 ,逐时潮位时间序列之间存在一定的非线性规 标输出与实际误差的方向 ,从输出层经过各中间层 律 ,而神经网络具有通过学习逼近任意非线性映射 逐层修正各连接权值 ,最后回到输入层 ,这种算法称 的能力 ,它被广泛应用于线性和非线性系统的建模 、 为 “误差逆向传播算法 ”。随着这种误差逆的传播 辨识和预报中 ,且在潮位预报中已有一定的应用 。 修正不断进行 ,网络对输入模式响应的正确率也不 本文利用人工神经网络对吴淞口逐时潮位的短期预 断上升 。 报进行研究 。 1. 2　B P 网络学习算法 B P学习算法的基本计算公式如下 :设有 K 个学 1　神经网络原理 习样本 , 第 P P 1, 2 …, k 个样本有输入 xP 1 , 1. 1　网络模型 x …, x 和输出 t , t …, t ,神经元节点 j 的 P2 pm P 1 P2 Pm 人工神经网络以其具有自学习、自组织 、较好的 输入为 : Σ θ 容错性和优良的非线性逼近能力 ,受到众多领域学 net W O + pj j i p i j 者的关注 。在实际应用中 , 80% ～90% 的人工神经 对于第一隐含层 Op i xp i 。神经元节点 j 的输 网络模型是采用误差反传算法或其变化形式的网络 出为 : ? 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. 2009年第 2 期 第 27卷第 295期 东北水利水电 23 Σ θ O f net f W O + 和扩张法确定 。网络输入层和输出层的神经元分别 pj pj j i p i j 上式中 , W 为节点 i与 j 之间的连接权值; θ为 为 48个和 1个 ,隐层节点数结合 Ko lmogorov定理和 j i j 节点 j 的阈值; f 为非线性转移函数 。系统总误差 试算误差对比确定 在 8 ～24 之间 ,输入层到隐含 E 为 : 层 、隐含层到输出层分别采用 logsig和 pu relin 函数 。 k m 2 采用 L evenberg_M arquardt 的 B P 算法训练 的函数 E ΣΣ t - y pj pj p 1j 1 train lm 。 ε 若 E 小于允许的误差 ,则学习过程结束 。否 2. 3　网络训练与预报 则计算各层节点的输出偏差进行误差反向传播修改 网络经过训练后才能用于预报等实际应用 。以 网络连接权值和阈值 。经过反复学习 ,当误差 E 达 上 3 个时间段的样本 ,分别取前 400 个样本用于训 到所允许的误差 ,记录下网络结构以及所有的权值 练 ,确定网络的结构和各层阙值和偏差 。后 200 个 和阈值 ,网络训练结束 ,此时输入预报样本即可由训 样本用于预报检验 。对连续 48 h 的潮位进行后 练好的输入输出响应关系得到预报值 。 1 h ,