降雨径流模拟神经网络模型.pdfVIP

第41卷第5期 西 安 建 筑科技 大 学 学报(自然科学版) V01．41NO．5 2009年10月 Univ．of Science 0Ct．2009 J．Xian Arch．8LTech．(NaturalEdition) 降雨径流模拟神经网络模型及应用 包红军，李致家，王莉莉 (河海大学水文水资源学院，江苏南京210098) 摘要：针对水文系统的非线性，构建了基于遗传算法和人工神经网络的降雨径流模拟神经网络模型(GA—BP 模型)．采用附加动量法和自适应学习速率对BP神经网络进行改进，遗传算法用于优化神经网络的初始权 重．以大别山及皖南山区月潭流域为例，将GA—BP模型、BP模型以及新安江模型应用于水文日径流过程模 拟，进行应用比较以及分析GA—BP模型在水文径流模拟过程中的难点及其可行性．结果表明，GA—BP模型优 化了网络结构，加快了算法收敛速率；可以用于降雨径流过程模拟，也为今后类似研究提供一种模拟技术．在 实际应用中可以根据流域资料情况选择合适的模型进行水文模拟作业． 关键词：降雨径流模拟；人工神经网络；遗传算法；附加动量法；自适应学习速率；新安江模型；月潭流域 中图分类号：TVl21+．1 文献标识码：A 文章编号：1006-7930(2009)05-0719-04 流域水文系统的降雨径流过程是十分复杂的问题．降雨径流的影响因素很多，不仅与降雨的时空分 布有关，而且与流域下垫面条件，以及气象气候、人类活动影响密切相关．系统的时空分布不均和非线性 是其客观存在的性质[1]．自20世纪50年代中期开始，国内外已经了很多水文模型应用于流域降雨径流 过程模拟及预报比]．近年来，随着计算机软、硬件的日益成熟，功能迅猛增强，凭借于计算机的高速计算 Neural 功能而得以发展的人工神经网络(ArtificialNetwork，简称ANN)对水文系统模拟提供了一个 新的理论方法，在水文学及水资源领域内得到了广泛的应用[3-6]．ANN是一种数据挖掘技术，可以递归 式的“从数据中学习”，即具有记忆功能，可以大大节省建模和节省时间，非常适用于复杂多变、非线性的 水文系统[4]．影响ANN模型性能的一个重要方面是学习算法，在水科学中的应用时，ANN模型往往 采用反向传播学习算法(BP算法)，但是其算法自身的缺陷也是不可回避的，存在着学习速度慢、不易 收敛、容易陷入局部最小等缺点．遗传算法[8]是一种基于自然选择和遗传变异等生物机制的高度并行、 随机、自适应搜索算法，具有多点并行搜索的特点，可以避免陷入局部极值点．因此，将这两种算法结 合可以改进ANN模型的性能． 本次研究利用遗传算法和神经网络建立水文模拟的非线性模型，采用附加动量法和自适应学习速 模拟神经网络模型．将构建模型、BP模型与新安江模型对大别山及皖南山区月潭流域水文日径流过程 进行模拟，并与实测资料进行对比分析． 1 研究模型 1．1 BP模型 BP神经网络属于前馈神经网络，可以较好的用于解决水科学中的分类、预测、拟合、辨识等问题．通 常采用输入层、输出层和隐含层三层结构，层与层之间神经元采用全互联的模式，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[5]． 1．2遗传算法和BP神经网络耦合的降雨径流模拟神经网络模型 BP神经网络是日前应用最广泛的网络．对于其算法自身的缺陷目前己有许多学者对此提出了改进 的方案，如结合遗传算法初始化网络权重[73，在修改权值中加入”动量项”，采用共扼梯度法，采用 Cauchy误差估计器代替传统的LMS误差估计器∞]等．本次研究结合遗传算法初始化网络权重，利用附 加动量项和自适应学习速率，来改进神经网络． 收稿日期：2008—11-06修改稿日期：2009-08—18 作者简介：包红军(1980一)，男，江苏淮安人。博士研究生，从事流域水文模拟及洪水预报研究． 万方数据 720 西安建筑科技大学学报(自然科学版) 第41卷 1．2．1基于遗传算法的BP神经网络模型权重参数