基于BP网络的中长期水文预报精影响分析.docVIP

基于BP网络的中长期水文预报精度影响分析 杨 旭1 冯国章2 (1.辽宁省大伙房水库管理局, 辽宁抚顺, 113007) (2.西北农林科技大学水利与建筑工程学院, 陕西杨凌, 712100) 摘 要 通过大量模型试验，系统分析了影响中长期水文预报BP网络模型精度的5种因素：输入层节点数、隐层节点数、节点转换函数、网络训练方式及特殊值处理。指出BP网络模型隐层节点数选择的规律性不是很强；输入层节点数、节点转换函数及网络训练方式的选择对模型精度的影响很大。结合研究结果，对中长期水文预报BP网络模型的参数优选提出了一些建议。 关键词 中长期水文预报；BP网络；预报精度 中图分类号 P338.2 人工神经网络具有很强的非线性映射能力，可不必事先假设数据服从什么分布，变量之间符合什么规律或具有什么样的关系，采用类似于“黑箱”的方法，通过学习和记忆，而不是假设找出输入输出之间的映射关系[1]。对于目前发展相对落后的中长期水文预报来说，人工神经网络模型具有一定优势。在众多的人工神经网络模型中，多层前向神经网络模型是目前应用于预测和模式识别等方面最为广泛的模型，误差逆传播学习算法可以实现多层前向神经网络的训练。采用误差逆传播算法训练的网络简称为BP网络。Hsu等[2]认为三层结构的BP网络就能满足水文预报的一般需要。尽管BP网络模型具有诸多优点，但由于影响BP网络模型预报精度的因素众多，如网络结构等[3]，而且模型参数优选理论发展不甚完善，使之在应用推广方面遇到了一定的困难。本文通过大量的模拟试验，系统分析了影响中长期水文预报BP网络模型预报精度的各种因素，简述如下。 1 BP模型简介 图1表示一个三层BP网络，图中输入层由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，隐层和输出层之间为；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，BP模型就建立了。 2模型精度影响分析 2.1输入层节点数的选择 在中长期水文预报BP网络模型中，输入层节点数代表预报因子的个数。进行中长期水文预报，首先就要选择合适的预报因子。预报因子选择的恰当与否，对预报精度的影响极大。对预报因子的选择要注重物理成因，同时也要考虑生产部门的实际情况，即所选择的预报因子要在实际应用中易于获得。故应尽可能少选择气象因子，而多选择水文因子，因为作为大气环流综合作用的降水、径流等水文要素系列已充分包容了气象因子综合作用的信息。基于径流形成机理的以时段降水量与前期径流量作为预报因子的径流预报模式[3]在这方面作了有益的尝试。本文所作模拟试验就是按照上述模式选择的预报因子。通过实验发现，输入层节点数选择不宜过多，亦即预报的前期影响时段取的不宜过长，否则，一是在水文物理机制上解释不清；二是在预报效果上很难达到要求。通过研究发现，输入层节点数的选择可通过两种途径来实现。首先，根据所拥有的资料和所要预报的对象从水文机理上分析的大致范围，可用相关分析方法确定。例如，对于位于山区河流上的陕西省石头河水库的月径流预报，径流的前期影响至多为2～3个月，那么可以初步取≤4；其次，在模型训练时，注意观察不同的值对模型精度的影响情况，如果发现随着的增加，模型精度持续降低，例如，对于石头河水库，当＝３时，模型的精度略微降低，当＝４时，模型的精度进一步降低，并且降低幅度增大。再参照前述分析，最大的值取３就可以了。从总体上说，这一因素受整个流域持水能力的影响，即流域持水能力越强，径流的前期影响时段也就越长,输入层节点数也就应选的越多。这是从物理成因确定值。另一方面，若考虑到径流变化规律为周期的统计规律，必要时也可将值增大到一个周期[3]。 2.2隐层节点数的选择 有关隐层节点数的确定，即无公认的理论，又无大家都能接受的较客观的方法，目前尚处于经验性的探索阶段。众多的研究者对隐层节点数的选择提出了各自的观点。有人认为取2+1为宜，也有人认为应取2，还有人认为应大于。对此本文作了大量对比试验。通过试验发现，对于不同的BP网络模型，隐层节点数选择的规律性在模型评定期较强，模型评定期精度总体随着p的增加而增大，但当p增大到一定值时，模型精度不再增加，甚至开始降低。而在模型检验期，p选择的规律性不是很强，一般来说，在10的情况下，最大取n+5为宜。对于一个确定的研究对象，值应结合实际经验并通过试算优选获取。 2.3节点转换函数的选择 如果BP网络模型的最后一层是sigmoid型神经元，那么整个网络的输出就限制在一个较小的范围内；如果BP网络的最后一层是纯线性神经元，那么整个网络的输出就可以取任意值[4]。在水文预报中，BP网络通常