BP和RBF神经网络的地下水位预测结果比较.docVIP

BP和RBF神经网络的地下水位预测结果比较 【摘要】地下水位的变化是一个复杂的非线性过程，并且地下水位与其影响因素之间存在着复杂的非线性关系。对于处理这类问题神经网络是一种合适的方法。本文对BP和RBF神经网络在地下水位预测中的应用进行比较和研究。通过仿真实例结果显示，BP神经网络和RBF神经网络都能很好的对地下水位进行预测，但是RBF神经网络比BP神经网络的训练速度更快，精度更高，充分体现了RBF神经网络中在地下水位预测中的优越性。 【关键词】地下水位;BP神经网络;RBF神经网络;MATLAB 1.引言 随着我国国民经济的快速发展，对地下水资源的开发利用日益增加。通过对地下水位动态变化规律的预测研究，以此来制定科学的开发利用策略，具有重要的现实意义[1]。地下水位受许多因素的影响，由于问题的高度复杂性地下水位预测还有许多问题未解决。近几年，许多学者将神经网络用于地下水位的预测并且取得了不少有价值的成果。 2.BP神经网络 BP算法的基本原理是利用输出后的误差来估计输出层的直接前导层的误差，再利用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计[5]。BP神经网络结构图，如图1所示。 BP网络学习的过程是神经网络在外界输入样本的刺激下不断改变网络的连接权值，以使网络的输出不断地接近期望输出。BP网络的学习本质是对各连接权值的动态调整，其学习规则是权值调整规则，即在学习过程中网络中各神经元的连接权变化所依据的一定的调整规则。 3.RBF神经网络 RBF网络的基本思想是用RBF作为隐单元的“基”构成隐含层空间，将输入矢量直接（即不需要通过权连接）映射到隐空间;当RBF的中心点确定后，映射关系也就确定;隐含层空间到输出空间的映射是线性的[7]。RBF神经网络结构图，如图2所示。 4.数据样本的采集及预处理 利用神经网络进行地下水位预测，首先应该提取有关地下水位预测重要指标，确定网络结构。样本数目的确定没有通用的方法，样本过少可能使得网络的表达不够充分，从而导致网络外推的能力不够;而样本过多可能会出现样本冗余现象，既增加了网络的训练负担，也有可能出现信息量过剩。获得输入变量将指标数据处理为区间[0 1]之间的数据[4]。公式如下： 地下水位主要受河道流量、气温、饱和差、降水量和蒸发量等重要因子的影响，由此测量并归纳出24组数据，如表1所示。选定1-19组为训练样本，20-24组为测试样本。 5.神经网络的训练与测试 5.1 BP神经网络的训练与测试 根据BP算法设计的网络，一般的预测问题都可以通过单隐层的BP网络实现。由于输入向量元素个数为5，所以网络的输入层的神经元有5个，根据Kolmogorov定理，可知中间层神经元数 2×输入层的神经元个数+1 11。输出向量为1个，所以输出层神经元应该有1个。网络中间层神经元采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig。网络的训练函数为trainlm，它采用Levenberg-Marquardt算法进行网络学习。其代码如下： threshold [0 1;0 1;0 1;0 1;0 1]; net newff（threshold，[11 1]， ‘tansig’，’logsig’ ，’trainlm’）; 经过500次训练后，对网络进行仿真并计算网络误差。 y sim（net，P）; y_bp y-T_test; 5.2 RBF神经网络的训练与测试 RBF神经元的输入层神经元个数取决于地下水位影响因子的个数，由表1可知，其个数为5。由于输出是地下水位值，所以输出层神经元个数是1。SPREAD为径向基函数的分布密度，分布密度越大，函数越平滑，并且分布密度值得大小影响网络的预测精度。设定SPREAD 1.5，2，3，4，5其代码如下： for i 1：4 net newrbe（P，T，i+1）; y（i，：） sim（net，P_test）; error（i） y（i，：）-T_test; end 图3 BP神经网络与RBF神经网络预测误差图 6.网络结果的比较 以上程序在MATLAB中运行后得出。BP神经网络与RBF神经网络对地下水位预测的误差比较如图3所示，其中“* BP”为BP神经网路预测的误差，其余为RBF的分布密度分别为1.5，2，3，4，5时的预测误差。 由图3可以清晰的看出，对于RBF神经网的地下水位预测，当SPREAD 2或3时网络的预测误差最小。综合对比后发现，对于预报精度来说RBF网络明显高于BP网络。 7.结语 BP神经网络和RBF神经网络对地下水位的预测效果都较好，但是BP网络的训练时间明显大于RBF网络，其训练速度比较慢并且精度不如RBF网络。综上所述，RBF神经网络可以被广泛的用于地下水位的预测系统中