人工神经网络峰值识别理论及其在洪水预报中的应用论文.docVIP

　　人工神经网络峰值识别理论及其在洪水预报中的应用论文 摘要：本文在总结大量洪水预报实践经验的基础上，提出了一种峰值识别理论及相应的改进BP算法(Error Back Propagation (t)、的m维输出和若干隐层组成的多输入、多输出人工神经网络模型.这里的t为样本序列号，这样的样本共有P对. 第l层中第i个神经元节点所接收到的上一层输入总和为 式中：Nl为第l层神经元节点总数；oid函数；σ为决定Sigmoid函数压缩程度的系数.该系数越大，曲线越陡；反之，曲线越缓. 则，当训练次数为k时，网络输出层及隐层的误差信号可表示为 式中：d(L)i(t)为训练样本的期望输出. 那么，网络权重的修改公式为 式中：η(k)为训练次数为k时的学习率；α为动量项系数. 以上为经典BP算法的基本内容.基于峰值识别的思想，实现网络误差修正倾向于输出样本的较大值，定义误差修正系数ξ ξi=di(L)(t)/d(L)max(t) （7） 式中：d(L)max(t)为训练样本期望输出的最大值. 为了进一步提高神经网络模型的训练速度，改善网络峰值识别的精度，可以在上述修正系数的基础上，增设误差修正放大系数μ.那么，加入误差修正系数ξ及误差修正放大系数μ后，当训练次数为k时，网络输出层误差信号的向量表达式如下 应用该算法进行网络训练，能够使峰值误差修正占优，从而提高网络对峰值的映射精度. 2 应用实例 2.1 工程概况及基本模型 珠江流域西江段的水系关系比较复杂，如图1所示.从柳州站、迁江站、南宁站或贵港站预报梧州站洪水目前还是一个难题.结合现有的研究成果，介绍洪水预报峰值识别理论的有效性.选取珠江流域从对亭站、柳州站、迁江站、南宁站预报江口站洪水的江口站洪水预报模型，分别以BP算法与引入峰值识别理论的BPPR算法进行网络训练.以多年实测记录数据为训练样本，并采用下一年的记录数据为测试样本，即以1988、1992～1994、1996～1998各年的水位(流量)资料为训练样本，以1999年水位(流量)资料作为测试样本. 图1 珠江流域西江段主要水情站及洪水平均传播时间示意 *传播时间单位：h 传统相应水位的洪水预报方法是根据天然河道洪水波的运动原理，分析洪水波在运动过程中，波的任一相位自上游水情站传播到下游水情站的相应水位及其传播时间的变化规律，寻找其经验关系，以此进行洪水预报8.人工神经网络对信息的分布存储、并行处理以及自学习的能力，决定了它具有对模糊信息和复杂非线性关系的识别与处理能力.网络的训练学习过程，就是网络认知事物内在规律的过程.构造基于人工神经网络洪水预报模型的首要问题，是如何将洪水过程合理地概化成人工神经网络可以映射的输入、输出关系. 以上游干流和主要支流水情站的水位(流量)资料作为网络模型的输入，以下游水情站所形成的相应水位(流量)作为网络模型的输出；同时，将下游同时水位(流量)作为网络模型的输入，以模拟下游初始水位的影响.洪水自上游水文站至下游水文站的传播时间就是网络对洪水的预见期. 本题中所建立的江口站洪水预报模型中，作为江口站的上游水文站共有对亭、柳州、迁江和南宁等站，其中的迁江站处于干流河道.值得一提的是，对亭站方向的来水属山区洪水，特点为量小、峰高、历时短，洪水过程线陡起陡落，其结果是水位的变化非常大，而实际的流量又很小，这无疑会影响水位预报模型的识别精度.为了减少这种小支流的干扰，在建立水位预报模型时，未将对亭站的水位作为输入项.在建立流量预报模型时，为了保证水量的总体平衡，仍将对亭站的流量作为一项输入. 以3h为一个间隔时段进行洪水数据采集来组织样本，以干流迁江站t时刻水位(流量)、对亭站(t-3)时刻流量、柳州站(t-3)时刻水位(流量)、南宁站(t-8)时刻水位(流量)和江口站t时刻水位(流量)作为网络的输入，江口站(t+T)时刻的水位(流量)为网络的输出.其中，T为网络的预见期，即洪水自上游迁江站传播到江口站的时间，亦为峰现时间.在组织样本时，采用洪水在各站间的实测传播时间，但网络预报的预见期为平均预见期，即T=9时段，约28h(洪水在各站间的传播情况见图1).图2为江口站洪水预报模型的网络拓扑结构图. 图2 江口站洪水预报模型的网络拓扑结构 在网络结构设计中，输入与输出节点数由实际问题而定，而隐层数及隐层节点数是网络设计中的关键问题.在实际问题中，常常无法估计问题的真实复杂程度，通常采用双隐层.关于隐层节点数目的确定，直接关系到能否成功地解决问题.实际上，隐层节点数决定于训练样本的多少、样本噪音的大小以及所面对问题的复杂程度.若隐层节点数太少，网络映射能力不足；若隐层节点数太多，不仅增加网络的训练时间，还会引发所谓“过度吻合”问题，即虽然增加了训练精度，但是由于网络过多地获得了样本的个性特征，而掩盖了样本的