建立水库优化调度函数的人工神经网络方法研究.pdfVIP

第八部分调度管理与节水 ·631· 建立水库优化调度函数的人工 神经网络方法研究 付永锋1 张西乾2 (1．黄河勘测规划设计有限公司河南郑州450003 2．西安黑河工程指挥部 陕西西安 710048) 摘要在阐述人工神经网络基本原理的基础上，提出了建立水库优化调度函数 的BP网络模型。分别利用该算法与传统的多元回归建立金盆水库优化调度函 数，结果表明，BP网络模型不仅计算简便，而且具有较高的计算精度。 关键词 人工神经网络BP网络多元回归 调度函数 水库优化运行规则可以表达为调度函数、调度图、表格等多种形式。调度函数就是以 各种优化模型得到的水库优化运行策略为基础，分析选择出决策变量和影响因子，把他们 的关系表达成基函数的线性组合，进而确定出基函数的系数““]。这些方法对于水库调度 函数的研究，存在着选择基函数和求解系数的困难，而且求得的调度函数难以准确表示水 库调度决策变最与其影响因子间的极其复杂的非线性关系“]。人工神经网络的发展为解决 上述问题提供了有效的方法。 Neural 人工神经网络(ArtificialNetwork)是模拟人脑的一些基本特性，因其具有 大规模并行处理、分布式储存、白适应性、容错性等优点而广泛应用于模式识别、智能控 制、知识处理和预测等众多领域“～…。本文采用一种改进的BP网络来建立水库优化调度 函数，并与传统的回归方法的计算结果进行了比较。 1 BP网络模型及其改进 在众多的神经网络模型中，原理最简单、应用最广泛的是基于误差反向传播算法的 BP网络模型。它是一种多层前馈神经网络模型，由一个输入层、一个输出层和一个或若 干个隐含层组成。每一层都包含若干神经元，神经元之间通过连接权重互连，但同层的神 经元之间没有联系。 网络学习规则 BP神经网络的学习过程由信息的正向传递和误差的反向传播两部分组成。正向传播 即将给定的输入模式从输入层输人到网络中，通过神经元之间的相互作用逐层向后传递， 作者简介：付永锋(1975一)，男，山西盂县人，工程师，硕士，主要从事水资源工程规划设计。 ·632· 水与社会经济发展的相互影响及作用 在输出端产生相应的输出结果；如果此结果与给定的输出模式之问有偏差，则将此偏差反 向传人网络中以修正各层神经元的权值与阀值，即误差的反向传播。 (1)信息正向传播。这一过程是由输入模式提供给网络的输入层开始的，输入层各个 单元对应于输入模式向量的各个元素。设输入模式向量为： X^=(zl，z2，…，z。)，k一1，2，…，m 对应的希望输出向量为：H一(_-，y∥”，y。) 式中：m为学习模式对个数；n为输入层单元数；q为输出层的单元数。 根据神经元模式原理，中间隐含层各单元的输入为： (i一1，2，…，p) (1) 式中：L为隐含层第j个神经元的输入；见为该神经元的阈值；W。为输人层第i个神经 元到隐含层第J个神经元的连接权重值；P为隐含层的神经元数目。 激发函数，则对应的隐含层输出为： (2) 类似的，输出层各单元的输入、输出由下式计算： (￡一1，2，…，q) (3) 式中：L，、C：分别为输出层第t个神经元的输入和输出；K为该神经元阀值；Ⅷ为隐含 层第J个神经元与输出层第t个神经元间的连接权，f()为S函数。 这样就完成了一个输入模式的正向传播过程。 (2)误差逆传播。网络学习的目标是使得误差函 (4) 达到最小。为此，必须不断调整神经元之间的权值和阀值，通常采用的方法是梯度法。首 先逆向计算出输出层与隐含层的各个神经元的