模糊系统和人工神经网络在洪水预报中的应用____论文.doc

模糊系统和人工神经网络在洪水预报中的应用 摘要 这篇研究呈现了人工神经网络（人工神经网络）和模糊逻辑（FL）模型对于日常水库入库径流预测的发展。此外，线性回归（LR）模型也被开发为一个传统的洪水预报方法。为了证明人工神经网络和FL模型的适用性和能力，位于伊朗西南部的Dezreservoir水库被作为一个案例研究。结果证明ANNs模型能够提前一天预测水库入库径流，尤其是这种预测模式要比FL模型和LR模型要准确。研究发现人工神经网络模型预测洪水预报提前1天以上精度降低，同等条件下FL模型和LR模型提前4天而得到的结果与从佛罗里达州得到的相应测量值要比较精确。这项研究的一个主要发现是：模糊逻辑模型通常低估了洪水，而其他两种模型预测洪水流量比较好。水位曲线的峰值,和LR模型对短周期(为期一天前),对于长时间(如为期3天的洪水流量之前)预测误差在3、4.5和26%LR和FL模型略优于人工神经网络模型。关键词:洪水预报水库流入模糊逻辑人工神经网络洪水洪水预报是水库管理系统最重要的任务之一。经济损失的大小管理的重要性一个高效的洪水警报系统减轻经济造成损害可以大大提高公共安全,洪水预报无疑是一个具有挑战性的领域,一个((Xiong et al,2001;Gopalcuinar and James, 2002; Chau , 2005; Tayfur and Singh， 2006);特别是降雨径流关系已被公认为是非线性的。虽然概念模型允许深刻理解水文过程,分水岭研究中校准需要收集大量的属性 (例如,地形特征和河流网络、降雨和径流)可能是昂贵的和非常耗时。Canada. Chau（2006）采用了粒子群优化模型训练的人工神经网络模型来预测在香港城门河的上游水文站的水位。Tareghian和Kashefipour（2006）开发了一个人工神经网络模型预测Karoon河在伊朗、Dawson等的日径流。 Dawson （2006）利用人工神经网络预测T-年一遇洪水事件和索引洪水在英国各地的850集水区。Wu and Chau（2006）采用一种基于遗传算法的人工神经网络（ANN-GA）在中国的渠道到达长江洪水预报。Pang 开发了一个基于ANI的非线性摄动模型（NLPM），定义为NLPM-ANI，以提高效率和准确性的降雨径流预报的目的。Chang提出了三种常见类型的人工神经网络MSA在台湾的两个流域的洪水预报系统的调查。 自从Zadeh出版的有关扩展的传统模糊集理论之后，模糊方法已被广泛地使用在许多领域的应用，如模式识别，数据分析，系统控制等。Hundecha表明，在地方提供足够数据的情况下，模糊逻辑（FL）的方法可以用来模拟实际的物理组件水文过程。Ozelkan Duckstein提出一个模糊的概念降雨径流框架处理概念降雨径流模型参数的不确定性。Cheng结合模糊优化模型与遗传算法来解决多目标降雨径流新安江模型校正的双牌水库。Luchetta and Manetti利用模糊聚类方法预测的实时水文模型的Padule di Fucecchio的盆地中北部意大利。Mahabir应用FL预测中东河流域，加拿大的季节性径流预测。Blazkova and Beven降雨和在捷克共和国的坝址在一个大的流域排放连续统的模拟，使用FL估计洪水频率。Veronique通过在比利时的模糊的关系为Swam河流域的降雨输入Belgium. Rao and Srinivas测试的一个模糊聚类流域的区域化与在印第安纳州245水文站数据。 本文的主要目标是通过这些复杂的方法得到模拟日常储放流入（例如，洪水事件）的计算智能工具（例如，模糊逻辑和人工神经网络）相比于传统的线性回归模型和相应的测量值。从而得到合适的方法预测洪峰的短期间（例如，提前1天）和长期（例如，提前4天）期间。 2 人工神经网络 人工神经网络经获得了普及，传统的分析方法表明，在大阵的工程应用性能较差。人工神经网络都表现出了良好的潜力，有效地模拟复杂的输入输出关系中存在的非线性和不一致的噪声数据产生不利影响其他方法（Deka anc Chandramouli, 2005）。 人工神经网络有能力从给定的模式捕捉关系，因此，这使它们非常适合解决大型复杂的问题，如模式识别、非线性建模、分类、关联和控制方案的解决。在实际应用中，一个三层前馈型人工神经网络通常被认为在一个前馈神经网络的输入量（Xi)被馈送到输入层的神经元，反过来，将它们传递到隐藏层的神经元（Zi)相乘后饰连接权重（Vij）（图中1）。隐层神经元增加了加权输入收到从每个输入神经元（Xi Vij ）及（bj）（i.e.,netj=∑XiVij+bj }）的结果（netj），然后被传递通过一个非线性传递函数（激活函数），以产生一个输出，即f(netj)=[1/