基于粒子群算法优化的径向基函数水质预测模型.pdfVIP

第 50卷第 5期 甘 肃 水 利 水 电 技 术 V01．5O．No．5 2014年 5月 GANSUWATERRESOURCESANDHYDROPOWERTECItNOLOGY May，2014 · 水文水资源 · 基于粒子群算法优化的径向基函数水质预测模型 祁金秀 ，陈 晶 (1．青海省湟中县水务局，青海 湟中 811600； 2．云南省水利水电勘测设计研究院，云南 昆明 650021) 摘要：应用粒子群算法优化径向基函数神经网络的权值，建立水质预测模型，并以青弋江水质预测为应用实例，检验 模型的可行性和预测精度。结果表明，基于粒子群算法优化的径向基函数水质预测模型，结构清晰，易于实现，具有 较好的预测 能力。 关键词：径向基函数 ；粒子群优化算法；水质预测模型；青弋江 中图分类号：X84 文献标志码 ：A 文章编号：2095—0144(2014)05—0001—04 1 前 言 由输入到输 出的映射是非线性 的，而网络输 出对隐 随着社会经济的发展 ，米 自水质方面的问题也 层单元是线性的，因而网络学习速度加快 ，避免局部 越来越多．为了更好地进行水资源利用和管理 ，就要 极小值出现。 提前预测水质变化情况 。目前 ，水质预测模型主要 2．1 RBFNN结构 有数理统计预测模型、灰色系统理论预测模型、人工 经典 的RBFNN结构 。其输入层 由输入的源节 神经 网络预测模型 、水质模拟预测模 型、混沌理论 点组成，隐含层的个数由所描述的问题而定，隐层单 预测模型等 5类 …。其 中，人工神经 网络 (Artificial 元的变换 函数是对 中心点径 向对称且衰减的非负非 NeuralNetwork．简称 ANN)是将大量简单 的人工神 线性函数 ，输出层对输入模式作出响应。 经元广泛连接、模拟人 的脑神经网络而形成 的一种 网络训练样本有 Ⅳ个 ，训练样本集为 =( ， 复杂网络系统，具有高维性 、自适应、自组织 、自学 ， … ，X，…，X)。输入层有M个神经元( Ⅳ)，其 习、并行分布处理性以及预测能力强等特点。现在 中任一神经元用 m表示 ，任一输入向量为X=( ， … 已有 BP多层前 向网络[2]、自适应网络 等人工神经 ， ， ， … ， )(n=l，2，…，Ⅳ)。隐含层有 ，(≤ 网络应用于水质预测领域。但 BP网络存在学习效 Ⅳ)个隐层单元 ，任一隐层单元用 表示 ，第 i个隐层 率低、收敛速度慢和易陷入局部极小等局限。 单元的激励输 出即为 RBF；本文采用的RBF是高斯 本文选用径 向基 函数神经 网络 ，结合粒子群优 函数 ()： 化算法 ，构建水质预测模型 ；并以青弋江水质预测为 ()=exp[一(IIX— lI)2／2cr2] (1) 实例 ．考察模型的预测精度 式 中： Ⅳ维输入向量 ： 2 基于粒子群优化算法的径 向基函数神经网络水 Cr 基 函数 的中心 [G=(c e＆，…，c，…，c) 质预测模型 ( 1，2，…，，)]； 径 向基 函数神经 网络r4(RadialBasisFunction 一 l——向量 (一G)的范