基于投影寻踪的径向基函数网络在参考腾发量预测中的应用.pdf

水 利 学 报 2006年9月 SHUIUXUEBAO 第37卷第9期 文章编号：0559．9350(2006)09一1151．05 基于投影寻踪的径向基函数网络在参考腾发量预测中的应用 胡庆芳1，尚松浩1，温守光2，孟宝泉2 (1．清华大学水利水电工程系，北京100084；2．山西省潇河水利管理局，山西榆次030600) 摘要：径向基函数网络(RBFN)已广泛应用于参考腾发量预测等领域，但常用的K．均值聚类和自组织特征映射等方 法在求取径向基函数网络隐层节点中心时存在较大不足。针对这一问题，本文引入投影寻踪方法，在投影降维的 基础上实现对大量高维数据的聚类，建立了基于投影寻踪的径向基函数网络模型，并将该模型应用于山西潇河灌 区参考腾发量的预测，研究了不同气象因子输入对参考腾发量预测精度的影响。结果表明，基于投影寻踪的径向 基函数网络具有较强的适用性，只需使用最高温度、最低温度、日照时数和旬序数作为输入因子，就能以较高的精 度预测参考腾发量。 关键词：径向基函数网络；投影寻踪；参考腾发量；预测 中图分类号：S27l 文献标识码：A 参考腾发量(Reference 要完备的气象观测资料，且对数据的质量有较严格的要求…，所以应用受到一定的限制。随着人工神经 neural 网络(Artificial Basis 基函数网络(RadialFunction o探讨了基于K一均值聚类 Network，RBFN)应用于E％的预测。顾世祥H Kalman 算法的RBFN模拟和预测E死的可行性。slavisa7I切kovic”’61基于扩展的卡尔曼滤波(Extended 具有较强的地域性，上述研究成果都只反映了某一特定地区和气候条件下的情况，而且在具体方法上也 有一定的局限性。本文将投影寻踪(Proiect 于投影寻踪的径向基函数网络(PP．RBFN)，并对该模型预测En的效果进行实例研究。 l PP—RBFN的原理和方法 1．1基本原理作为一种应用普遍的3层前向型ANN，RBFN学习过程中关键的一步是按照某种算法， feature 由输入样本确定隐层节点中心门’81。目前，K一均值聚类旧’100和自组织特征映射(Se*or{弘nizingnlap， 类，当样本容量较大、维数较高时，它们的效率较低，往往很难得到理想的结果--3’“一。为了克服这个困 样本的最优投影方向和相应的一维投影值，再根据投影值的分布规律对原高维数据分类。分类时先将 投影值孤立的数据点各自成类，然后再按照投影值大小将投影值集中的数据分类，最后各类数据的均值 收稿日期：2005．10一20 基金项耳：国家自然科学基金资助项目；国家863计划节水农业专项(2002AA224311) 作者简介：胡庆芳(198l一)，湖南长沙人，硕士，主要从事水文水资源的研究。E-mail：hqf—work@sohu．eom 一1151— 万方数据 万方数据 万方数据 参考文 献： AllenRG，PereimLS，RaesD，et for water a1．CropevaportranspirationguideHnescomputming and IrrigationDrainagePaper56，1998． of in in RaoS TaskCommitteeon