流域年均含沙量BP模型问题分析2行政.docVIP

流域年均含沙量BP模型问题分析2行政论文范文大全 流域年均含沙量BP模型问题分析 3 实例分析 　　通常流域含沙量与气象、水文要素和下垫面植被状况等多因素关系密切 。本文选取了采伐面积(x1)、采伐量(x2)、降雨量(x3)和年平均径流量(x4)这4个主要因素对流域年均含沙量(y1)进行了建模预测 。由于采伐面积和采伐量对流域产沙的影响很难在一年后彻底消除，有可能影响到以后的几年甚至几十年流域产沙量。因此，本文认为采伐面积(x1)、采伐量（x2）对流域年均含沙量具有一定的滞后效应。下面对这两个因子x1和x2各取五阶延迟，即采用输入层节点数n=14，输出层节点数m=1，隐含层节点数取r=12的三层bp网络建模。 　　表1中，列举了网络学习过程中由一维搜索法得出的最优迭代步长ηk的系列值。由于数据量太大，因此间隔性地选取迭代过程中的部分值。从表1可看出，最后得出的ηk值为0，这说明网络收敛到局部极值点，这一点原bp算法是无法达到的。另外大部分ηk值不相等，大的为3.1，小的可为0，而且有许多ηk值大于1，而并不是人们常认为的η只能在（0，1）内取值，同时这也说明根本不存在固定的学习速率η。 表1 网络学习过程中最优步长ηk values of ηk in networks studying ηk 0.34 1.5 0.7 1.5 0.1 1.5 1.5 0.3 1.5 1.5 0.1 0.3 0.3 0.28 0.3 1.5 0.1 1.5 0.3 1.5 1.5 0.3 0.1 1.5 0.1 0.3 0.24 0.1 0.1 0.3 0.3 0.1 0.3 0.1 1.5 1.5 1.5 1.5 1.5 1.5 0.3 0.3 1.5 1.5 0.1 0.7 1.5 0.3 0.1 0.3 0.3 1.5 0.25 1.5 0.3 1.5 0.3 0.7 0.1 0.3 0.1 0.3 0.1 0.1 0.1 0.3 0.1 1.5 0.1 0.3 0.3 1.5 0.1 0.3 1.5 0.3 1.5 1.5 0.3 0.1 1.5 0.1 0.3 0.3 1.5 1.5 0.3 0.3 0.3 0.3 1.5 0.3 0.3 1.5 0.1 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.7 1.5 0.3 1.5 0.3 0.3 0.3 0.3 1.5 1.5 0.1 0.1 0.1 0.3 1.5 1.5 1.5 0.7 1.5 0.3 0.1 0.3 0.3 1.5 1.5 3.1 0.3 1.5 1.5 1.5 0.1 0.1 0.3 1.5 0.1 1.5 0.3 0.3 0.3 0.3 1.5 1.5 0.3 0.1 0.3 0.3 1.5 1.5 0.3 1.5 0.3 0.1 0.3 0.1 1.5 0.3 0.1 1.5 0.3 0.7 0.3 0.1 0.7 1.5 0.3 0.7 0.1 0.3 0.1 0.3 0.1 0.3 0.1 0.3 0.3 0.3 0.1 0.3 0.3 0.3 0.3 1.5 1.5 0.3 0.3 1.5 0.3 0.3 1.5 0.3 0.3 0.3 1.5 0.1 0.3 0.3 1.5 0.3 0.3 0.1 0.3 0.1 1.5 0.3 0.1 0.3 0.1 0.3 0.3 0.3 0.3 0.1 1.5 1.5 1.5 0.7 0.1 0.1 0.3 0.3 0.3 0.1 0.1 0.1 0.3 0.1 0.1 1.5 0.3 1.5 0.1 0.3 0.1 0.3 1.5 0.3 0.1 0.3 1.5 1.5 1.5 0.3 0.3 0.3 0.3 1.5 0.3 0.3 0.3 1.5 0.7 0.7 0.3 0.1 0.7 0.3 0 　　表2给出了改进bp模型模拟预测的结果。其中前10组为拟合误差，后3组为预测误差。从中可看出，改进的bp算法对流域年均含沙量进行多因素建模预测时拟合精度高，预测效果也较好，预测误差依次为0.09%、3.79%、17.78%。 表2 改进bp模型模拟预测结果 simulation and prediction results of improved bp model 样本序号 实测值 计算值 绝对误差 相对误差(%) 样本序号 实测值 计算值 绝对误差 相对误差(%) 1 5.03 5.03 0 0.00003 2 3.55 3.55 0 0.000103 3 2.72 2.72 0 0.000018 4 4.05 4.05 0 0.000088 5 3.22 3.22 0 0.00007 6 2.65 2.65 0 0.0004