基于AM-MCMC算法贝叶斯概率洪水预报模型.pdfVIP

水 利 学 报 年 月 第 卷 第 期 文章编号 基于 算法的贝叶斯概率洪水预报模型 邢贞相 芮孝芳 崔海燕 余 美 东北农业大学水利与建筑学院 黑龙江哈尔滨 河海大学水文水资源学院 江苏南京 摘要 本文在贝叶斯预报系统的框架下 利用 网络能描述非线性映射的特性建立了基于 网络的先验密度和 似然函数的模型 并采用基于自适应采样算法 简称 的马尔可夫链蒙特卡罗模拟方 法 简称 求解流量的后验密度 最后给出流量的概率预报 实例表明 基于 的 贝叶斯概率水文预报的精度高 且能给出预报的方差 使得防洪决策可以考虑预报的不确定性 关键词 贝叶斯预报系统 自适应 概率预报 中图分类号 文献标识码 现行水文预报模型大多是确定性的 实际上 模型的输入 模型的结构和参数均是不确定的 故模 型输出的预报值也是不确定性的 统计决策理论指出 根据不确定的水文预报做决策时 如果不考虑它 的不确定度 则从期望意义上讲 决策中的价值不一定是非负的 只有在考虑了预报不确定度的决策中 水文预报的价值才始终是正的 提出的贝叶斯概率预报系统 简称 是通过确定性水文模型进行概率预报解决水文预报不确定性的一个理论框架 黄伟 军 提出灰色模糊贝叶斯的概念 建议贝叶斯模型的先验分布采用灰色先验 似然函数采用模糊似然 函数 张洪刚 建议采用平稳序列线性 模型与线性扰动模型 分别描述先验分布与似然函 数 在一定程序上降低了贝叶斯求解的复杂度 李向阳等 采用神经网络模型来描述先验分布与似然 函数 进一步降低了贝叶斯求解过程的复杂度 提出的 需要对流量实测值和确定性 水文模型的预报值进行亚高斯转换及线性正态假设来获取先验密度与函数的非线性关系 再采用线性 回归求解转换空间的后验密度 然后将其转换为原始空间的后验密度 该法计算的复杂性和线性正 态假设大大影响了其适用性 为此 文献 利用神经网络的非线性映射能力来描述贝叶斯先验密度与 似然函数 并对湖南双牌水库的洪水预报进行了实例验证 但其中两点不足 神经的性能很大程度 上与初始的权值和阈值有关 常出现网络的收敛速度很慢甚至不收敛的情况 算 法必须预先根据经验确定参数的抽样区间和推荐分布 难以保证参数的各态遍历性和算法的快速收敛 本文提出应用基于自适应算法的马尔可夫蒙特卡罗模拟和基于遗传算法的 神经网络来研究流域出 口断面流量的概率预报 采用加速遗传算法优化神经网络的初始权值和阈值 可使 网络很快地收 敛 基于自适应算法的马尔可夫链蒙特卡罗模拟不再依赖于参数的推荐分布 也不受参数的先验区 间的影响 能够保证算法的遍历性和较高的抽样效率 贝叶斯概率预报原理 假设流域出口流量过程为 阶马尔可夫过程 令 为在预报时刻 已知的 收稿日期 基金项目 国家自然科学基金资助项目 作者简介 邢贞相 男 黑龙江讷河人 博士 主要从事随机水文预报 水资源系统优化等方面的研究 前期流量过程 为待预报的流量过程 为确定性水文模型的输出流量过程 分别为水文变量 的实现值 为预见期 根据贝叶斯公式 可求出实际流量 的后验密度 式中 为 的后验密度 为 的先验密度 只与 有关 在预报时刻为已知 为 已知时 的似然函数 反映确定性水文模型的预报能力 式 中的流量先验密度和似然函数采用 网络结构确