应用于水文预报的优化BP神经网络研究.docVIP

应用于水文预报的优化BP神经网络研究 谷晓平1, 2，王长耀1，王 汶1，王臣立1 1. 中国科学院遥感应用研究所，北京 100101；2. 中国农业大学，北京 100094 摘要：利用广东省滨江流域的水文观测资料，建立了以降水量预报因子人工神经网络预报模型BP神经网络：网络结构为8-9-1；转移函数的组合方式为tansig-线性函数；训练算法为采用evenberg-Marquardt(Lm)算法。为便于精度分析，还采用了最优子集回归模型作了研究。结果表明，优化BP网络模型无论在拟合精度还是在预测精度上都高于最优子集模型。总的来说BP网络是一种精度较高的水文预测模型。 关键词：优化神经网络；水文预报；模型 中图分类号：P338 文献标识码：A 文章编号：1672-2175（2004）04-0524-04水文系统是一个严格的非线性系统，它包含着系统时间和空间变化的非线性特性。在描述复杂的水文现象时，应用物理方法有一定的难度，因此人们也常常借助数理统计方法。在水文预报中常用的统计方法有：模糊数学、随机模型、经验预报、概念模型、灰色系统等，这些都是基于线性的，因此在理论上将它应用于非线性的水文系统就存在偏差，为此促使人们从各个角度去探索水文预报的新方法。 神经网络是一个具有高度非线性的、大规模的动力系统，其主要特征是能体现网络的全局作用和对复杂信息大规模并行分布处理的能力[1]。对预报等大量实际问题来说，存在数据的不精明性、不完备性等因素，致使以完备性、存在唯一性和精确性等为基础的传统数学方法难以完全适用[2]。而人工神经网络的出现，提供了求解这类问题的一种有力工具。 图1 滨江流域主要水情站在人工神经网络在水文预报中的应用方面，国内外学者做了大量的工作[3~5]。以往的研究表明：BP网络是最有效、最活跃的。但是如何保证可靠的预报精度一直是人工神经元网络应用的核心问题。本文将以一个水文预报实例为基础,从样本选择、网络结构、函数算法选取等方面试图寻找一个最优的BP网络，以保证水文预报精度的稳定性。 1 资料来源 试验选择在广东省的滨江流域。雨量和水位资料均来源于广东省水文局。 滨江位于广东省东北部，属北江西岸支流，流域内有一个水文站（珠坑），上游有5个雨量站（如图1所示），这6个站点的降雨情况基本能反映整个流域降雨的大小和总体分布情况。 珠坑站的水位与河道上游来水条件息息相关。上游来水量大小主要取决于降雨。本研究以流域内各观测站的雨量资料作为BP网络模型的输入，以水文站观测的水位作为网络模型的输出，选取1994、1999、2000年的汛期水位作为训练样本,模拟降水对下游水位的影响。 2 优化BP网络的构建 一个三层的BP网络可描述如下[7]：输入层由n个节点组成，隐层由p个节点组成，输出层由q个节点组成。相邻两层节点通过连接权全部联系，而同层节点之间不联系。输入层和隐层之间权重为(i=1, n; j=1, p)，隐层和输出层之间为(j=1, p; k=1, q)；隐层各神经元的阈值为，输出层的阈值为，则隐层神经元的输出为 ， 输出层神经元的输出为 。 当网络结构确定后，通过网络学习，确定权重和阈值模型就建立了。 一个优化的BP网络涉及到从样本的组织到训练算法的众多环节，研究将从样本组织、输入因子处理、隐层数及隐层节点数、转移函数、训练算法等几个方面入手，寻求水文预报的优化BP网络。 图2 网络性能随隐层节点数的变化趋势（10000次） 2.1 样本组织 神经网络具有很强的不确定性信息处理能力，能储存大量的信息模式。只要输入的模式接近于训练样本，系统就能给出正确的推理结论。 因此，神经网络的训练样本必须满足两个条件：一是样本要足够多，能反映事物的复杂程度；二是样本要具有代表性，尽可能包含能代表各类特征的模式，不能没有其中的任何一种。 在洪水预报中，对峰值水位预报精度要求较高，而对中低水位的精度要求就不那么严格。因此，根据本研究的特点，在样本的组织过程中，我们采取舍弃中低水位的办法来提高中高水位的比重。 2.2 输入节点的确定 网络输入节点数的确定目前尚无定量的指标，一般都是靠经验和根据需要而定。本文是采用统计方法确定输入层的节点数。 考虑到降雨--径流过程的复杂性和时间滞后性，计算了水文站记录水位时刻前各雨量站的3 h、6 h、9 h、12 h的总降雨量，共24个因子，作为待选的输入因子。然后应用最优子集回归技术选择最佳的输入因子，最后入选因子有8个。 2.3 隐层数及隐层节点数 BP网络通常有一个或多个隐层。隐层数的选择在神经网络的应用中也是一个复杂的问题。适合的隐层数目及节点数决定于多种因素，如训练样本的多少、样本噪音的大小以及所面对问题的复杂程度。 H