改进Elman神经网络在径流预测中的应用 An improved Elman neural network and its application to runoff forecast.pdfVIP

第2期 水利水运工程学报 No．2 ANDENGINEERING Apr．2013 2013年4月HYDRO-SCIENCE ： =：= = =： ：： ：=：=======： ：= ====：== 改进Elman神经网络在径流预测中的应用 崔东文 (云南省文山州水务局，云南文山663000) 摘要：针对传统静态前馈神经网络动态性能较差的缺点，提出一种基于遗传算法(GA)优化Elman神经网络连 接权值的GA—Elman多元变量年径流预测模型．以新疆伊犁河雅马渡站径流预测为例进行实例分析，并构建传 统Elman，传统BP和GA—BP多元变量年径流预测模型作为对比模型，预测结果与文献IEA—BP网络模型预测结 果进行对比．结果表明：①GA—Elman模型的拟合及预测效果略优于文献IEA—BP模型，该模型用于多元变量年径 流预测是合理可行的，具有较好的预测精度和泛化能力．②在相同网络结构及传递函数等条件下，GA—Elman模 型的预测精度和泛化能力优于GA．BP模型，传统Elman模型优于传统BP模型，表明具有适应时变特性的 Elman反馈动态递归网络预测性能优于BP网络；GA能有效优化Elman神经网络连接权值，使网络的预测精度 和泛化能力有了较大提高． 关键词：Elman神经网络；BP神经网络；遗传算法；径流预测 中图分类号：P332 文献标志码：A 河川径流受多种因素的影响和制约，表现出复杂、随机、多维等特性，探寻能够表征径流特性、预测精度 高的模型对河川径流预测具有重要的现实意义和应用价值…．目前，径流的预测方法主要有时间序列、回归 分析、模糊模式、小波分析、集对分析等，均在径流预测预报中取得了一定的成效．人工神经网络(Artifical Neural Network，ANN)具有较强的非线性映射能力、鲁棒性、容错性和自适应、自组织、自学习等许多特性，适 宜解决高维、非线性系统问题，在这类智能算法中运用最为广泛；BP网络(Back．PropagationNetwork，BP)是 ANN常用的神经网络模型之一，广泛运用于径流预测【2。6J．然而，BP神经网络是一种静态的前向型网络，将 其运用于与时间序列有关的径流预测中存在着关键性缺陷，且BP网络存在着学习收敛速度慢、易陷入局部 极值等不足，极大地制约了BP网络在径流预测中的精度和泛化能力．Elman网络是一种典型的动态神经网 络，它是在BP网络的基础上，结构单元引人固定反馈环节，从而使系统具有适应时变特性的能力，使预测性 能优于BP网络，进而改善系统的动态性能o7-8]，但由于Elman网络是在BP网络的基础上改进而来，也采用 BP算法进行权值修正，因此同样存在着学习速度较慢、易陷入局部极小值等缺点．为此，本文提出一种基于 遗传算法(Genetic 新疆伊犁河雅马渡站径流预测为例进行实例分析，并构建传统Elman，传统BP和GA—BP多元变量年径流预 测模型作为对比模型，预测结果与文献lEA—BP网络模型预测结果对比，旨在为GA—Elman模型在水文预测 预报中的应用提供参考． 1 GA—Elman径流预测模型 1．1 Elman神经网络 动态递归神经网络是一种极具潜力系统预测工具，而Elman网络是动态递归神经网络中结构最为简单、 收稿日期：2012—09—2l 作者简介：崔东文(1978一)，男，云南玉溪人，高级工程师，学士，主要从事水资源水环境研究及水资源保护等工作 E—mail：cdwgr@163．corn 万方数据 72 水 利 水 运 工 程 学 报 2013年4月 式网络的隐含层中增加了一个承接层，作为延时算子以达到记忆的目的，从而使系统具有适应时变特性的能 力，能够更生动、更直接地反映系统的动态特性．与BP网络本质上的区别是Elman网络既有前馈连接，又有反 馈连接，能有效克服BP网络不具备动态特性的缺点m10]．Elman网络结构见