基于神经网络理论的可视化通用模型.pdfVIP

十、河流模拟技术 ’1473‘ 基于神经网络理论的可视化通用模型 吉祖稳1 关见朝2 (1．中国水利水电科学研究院泥沙所北京 100044； 2．中央民族大学生命与环境科学学院 北京 100081) 摘要：本文在探讨开发可视化高性能通用BP神经网络模型的基础上，利用随机构造样本对通用模型进 行了性能测试，通过对黄河下游35年的实测水沙及冲淤资料的分析，初步建立了黄河下游泥沙冲淤的 神经网络模型。研究结果表明，该模型具有良好的模拟和预测能力，对开展同类工作具有重要的参考价 值。 关键词：人工神经网络 黄河下游 冲淤量 1概述 Neural 人工神经网络(ArtificialNet，简称ANN)在20世纪80年代初期由美国加州州 立理工学院Hopfield教授提出，Hopfield将能量函数的概念引人了人工神经网络，从而 开拓了人工神经网络用于联想记忆和优化计算的新途径。人工神经网络由于模拟了人类 部分的形象思维能力，因此可以利用这种理论来解决自然界所遇到的一些复杂问题。目 前，人工神经网络理论已经广泛应用许多个领域，在计算机视觉、模式识别、智能控制、 非线性优化等方面已经取得了可喜的进展。本次研究就是在此基础上，运用经典神经网 络理论建立一个通用模型，并逐步应用到河流规划和河道治理等方面，从而为该领域的 研究提供新的途径。 2神经网络的基本理论 人工神经网络是由大量称为神经处理单元的自律要素以及这些自律要素相互作用形 成的网络，它是在多年来对神经科学研究的基础之上，经过一定的抽象、简化与模拟的 人工智能模型，它反映了人脑功能的某些基本特性，但又不是人脑的真实写照，是一个 具有高度非线性的大规模动力学系统。 2．1 BP人工神经网络结构 对于大量的试验或测量数据而言，如何分析自变量X(x。≯2，．．．，Xi)与因变量雕)之间 关系是一个十分复杂的问题，神经网络理论的出现为这些问题的研究提供了新的途径。 人工神经网络有许多种类，采用BP算法(Back-propagationAlgorithm，误差逆向传播算 法)是最常用的算法之一，其多层结构如图1所示，主要包括输入层、隐含层和输出层等 三部分，各层的基本作用为： 基金项目：本文获国家自然科学基金重点项目资助。 作者简介：吉祖稳．男，1967年出生，高级工程师，主要从事河流工程泥沙及水土保持等方面的研究工作。 ．1474． 第六届全国泥沙基本理论研究学术讨论会论文集 出层节点Y 阈值(e) { 含层节点h， 、、-——●-· 厂一— 权值(∞) 入层节点x- 图1 多层人工神经网络结构示意图 输入层：即信号接收层，此层节点不参与计算，是样本数据进入网络的人口，输入 数据由此层节点加载，该层相当于自变量兄 隐含层：此层节点首先将前一层各个节点传人的信号加权累加，再将累加值经由激 发函数处理，生成向前传播的信号，隐含层可以是一层或多层，具体层数取决于研究问 题的需要和网络的稳定性，通过该层实现自变量与因变量之间的非线性关系。 输出层：此层形成网络输出。该层各个节点的结构与隐含层的节点类似，节点数即 为结果变量数，各节点的输出值，对应于ANN所拟合系统的结果变量值，该层相当于 因变量F(x)。 2．2 BP算法原理 在采用BP算法对ANN进行训练时，学习过程由信号的正向传播与误差的逆向传播 组成。正向传播时，首先在输入层把训练样本加载到网络中，经隐含层处理后，在输出层 得到ANN计算信号。若在输出层的输出信号未达到既定要求，则转入网络输出误差的 逆向传播阶段；在误差的逆向传播过程中，将按某种形式把输出误差通过隐含层向输入 层逐层返回，并“分摊”给各层的所有节点，从而获得各层节点的参考误差或称