基于Gamma Test的非线性降雨径流回归模型研究 Analysis of Nonlinear Rainfall-runoff Regression Modeling Based on Gamma Test.pdfVIP

第30卷第l期 水文 V01．30No．1 2010年2月 OFCHINAHYDROLOGY Feb．，2010 JOURNAL 基于GammaTest的非线性降雨径流回归模型研究 任启伟，陈洋波 (中山大学地理科学与规划学院，广东广州510275) 摘要：GammaTest是一个与模型无关的数据分析方法，可以解决建立回归模型时面对的模型精度评价、划分率定和验证 层BP神经网络降雨一径流模型。结果表明，GammaTest可以指导优化输入因子，精简模型结构，防止过拟合。 关键词：GammaTest；ANN；过拟合；径流模拟：回归模型 中图分类号：I338+．9 文献标识码：A 文章编号：1000-0852(2010)01-0039--05 认为含有最低噪音的参数组合就是最优的模型，它是在考虑了 1前言 数据噪音的情况下所做的选择。具有更高的实用性。 最近几十年发展产生的人工神经网络ANN(Artificial 2 Gamma7re或 Vector Neural Machine)‘15I Networks)、支持向量机SVM(Support 等广泛应用于非线性降雨径流回归模拟。在ANN应用过程中， 2．1 GammaTest Gamma 许多研究都表明ANN会产生过拟合的问题[10,18,191。Vapnik等基Test的介绍最早出现于文献【l，9】，其详细的数学证 Risk 于结构风险最小化原则SRM(StructureMinimization)提出的 支持向量机，通过控制模型结构的复杂程度部分解决了过拟合的 间中的两个点菇．菇7距离足够近时，它们对应的输出在输出空间 问题。然而在建立各种非线性回归模型时仍会有如下问题： 中也足够近。如果输出Y，，，’不够接近，则认为这个误差是由噪 对于给定的输入、输出数据，能够建立多精确的模型?需要多 音引起的。 少数据用于训练模型才能保证有最好的精度?如何选择模型的输 对于如下形式的数据集： 入因子建立最优的模型? {(施，弘)，1sis肼} (1) 通常建立非线性回归模型时需要将数据划分成三部分，一 式中：茗E渺是输入，对应的输出标量为撑m。 部分数据用于训练，一部分数据用于交叉检验。最后一部分用来 GammaTest假定的模型关系是： 验证。为了评价模型的能力，需要花费大量的精力在交叉检验 y=f(xl’．一，xm)+r (2) 上。并且当数据量较少时。可用于验证的数据就非常少了，难以 式中：厂是一个光滑函数；r是一个表示噪音的随机量。不失一般 验证模型的性能。 性，可假定r的均值为0(否则可在厂中加入常数项)，方差为 Gamma Testtl·91是一个独立于模型的数据分析方法，它从数 据中的噪音出发，解决上述问题。模型存在过拟合的一个根本 量的方差，显然如果数据的关系符合光滑模型，并且没有噪音， 原因就是数据中存在噪音，在模型训练的过程中会干扰模型的 这个方差是0。统计量，计算过程如下： 结构．要防止过拟合就在训练阶段阻止噪音。当数据中的噪音 (1)计算输入数据的距离统计量。 趋于稳定时，这些数据就是训练模