参考作物腾发量预测的径向基函数法.pdfVIP

第lO卷 第2期 水 科 学 进 展 Vo1．1O．No．2 1999年 6月 ADVANCES IN WATER SCIENCE ]un．．1 999 参考作物腾发量预测的径向基函数法 27 ·／ 馏 顾世祥① 王士武② 袁宏源@ 武覆水利电力大学水利工程系0 武汉 430072) (黑龙江水利专科学授讳 暗尔滨 150086) 掬 要 探讨了采用径向基函数网络模型进行参考作物腾发量预测方法的可行性．设计多组数字 实验处理研究了输人因子问相关性对网络模型预测准确性的影响，预测结果与Penman—Mont[eth 方法计算结果比较表明，所确定的模型与改进的Penman公式计算值有很高的一致性，具有一定精 度。 关键调 查耋生物鹱叁量 抻经网络径向基函数法 潍；眈 分类号 S 274．1 灌溉实时调度是实时灌溉预报原理和渠系动态配水方法的有机结合，作物需水量预报又是 实时灌溉预报的基础，其关键在于参考作物腾发量的预测。影响作物需水量的因素有气象条件、 作物生长和土壤水分状况等，其中，作物系数和土壤水分胁迫系数的推求已形成比较成熟的计 算方法，而参考作物腾发量则取决于气象部门提供的气象观测资料，采用经验或半经验的公式 计算而得。当前逐日气象观测分日最高、最低、平均温度，相对湿度，日照时数及风速等六项 短期气温、天气类型和风速预报精度亦在8o 以上。如何充分利用这些实时信息，作出及时、可 靠的预测，是提高作物需水量预测的准确性和作出正确灌溉预报的前提。 径向基函数网络是神经网络的一种，它同前传多层网络相比，能避免反向传播繁琐、冗长 的计算，学习速度也比BP方法快1o ～10‘倍。 1 径向基函数模型 1、1 模型结构 径向基函数模型 (Radial Basis Function．Artificial Neural Network，简记：RBF—ANN)是一种三层前向式网络，由一个输 1 入层、一个隐含层和一个输出层组成，各层有多个神经元，相邻 两层单元之间单方向连接，结构如图1所示。图中x 为输入层的 X： 输入， 为隐含层的输出，n为输出层的输出。Cj,= (c ，C ， XⅣ …，c ) ， 分别表示隐含层单元基函数的中心和宽度；Ⅳ，L， M分别表示输入单元、隐含层单元和输出单元的数量。Ⅳ和M同 实际问题的输入维数和输出维数相一致，而L的选择，一般可 图1 径向基函数网络结构图 Fig．1· Structure of RBF—ANN 收稿日期：1 997—12—23；修改稿日期：1998—06 16 * “九五”国家重点科技攻关项目 (96—006—02—05—02)。 l24 术 科 学 进 展 第10卷 用构造一个人工神经网络结构或对一个网络结构进行修改，使之与一个具体问题相适应的方法 来确定隐单元数 若给定的输入模型式为 ， 一1。…， ( 输人模式数)，则有 ^ 隐含层单元的输出 = ／∑ (1) = l 其中 唧[一s窭( 门 ㈣ 输出层单元的输出 0 =∑