时间差分神经网络模型及其应用研究.pdfVIP

第九章系统理论方法 ·847· 时间差分神经网络模型及其应用+ 覃光华丁晶 (四川大学水利水电学院成都610065) 精要丰文采月I一种名为“时闻差分”的方法计算神经网络权重。谈算法是以相续时闸预测值的差值束指导 学习，与利用预测值与实际输出值的误差来修正模型内部事教的传统做法完奎不同。它能较好地减少过拟台的程 度．较之有教师值指导的学习其预测性能夏好。从两个不同性质的河道洪水流量预报实例中也可看出，该模型合 理、可行，其甫鞔好曲适应性和预报精度。 关t词神经阿络时问差分法洪水预报 1引言 洪水预报是根据现时已掌握的水文、气象、地质等资料，预报河流某一断面或某几处断面在未来一定时 期内(称预见期)将要出现的流量、水位过程。作为非工程性防洪措施的洪水预报工作正受到愈来愈多的 重视。发展至今，洪水预报的方法虽然已有很多，但由于受众多因素的影响，其变化又极其复杂，所以此项 研究仍是水文工作者面临的一个难题。 目前，随着计算手段的迅速提高以及一些交叉领域的技术引人，洪水预报技术有了许多新途径”o。如 模糊集理论、灰色理论、混沌理论、人工神经网络技术、分形分维技术等，以及以上方法的耦合技术。这些 新理论、新技术的引入，大大加速了洪水预报中不确定性的分析。近lO年来神经网络技术引入洪水预报并 不断完善。目前在该领域，已发表了大量论文，获得了不少成果．引起了广泛的注意。因此，为提高洪水预 报精度和增长预见期，在总结以往工作的基础上，进一步对该领域作深人研究和广泛实践是十分必要的。 首先，神经网络的性能与训练样本的选取紧密相关。样本的复杂性和代表性严重影响网络训练的结果。 训练样本的选取主要受两个因素的影响：其一是训练样本的长度，样本长度并非越长越好，过长的训练样本 不仅影响计算速度，还会导致拟合精度的下降；其二是训练样本的代表性，这一问题受原始资料的约束较 大，有的研究对象本身就缺少资料，样本的代表性必然受到影响。 其次．神经网络中常用的BP算法是按照梯度下降法进行推算。大量实践已发现该方法存在计算速度较 慢、不易找到最优解的缺点。目前有很多的改进BP算法”31，这在一定程度上可以改善BP算法上述缺陷， 但是仍然存在一些问题。例如．标准BP算法及大多数改进算法通常是以计算值与教师值的误差平方和最小 为目标函数，这里的“最小”是以事先给定的一个较小的误差允许值或一定的迭代次数求得的。而实际的 计算中，会遇到这样的情况：同样的训练样本，可以得到几组差别较大的权重，使目标函数都满足要求。这 说明迭代计算只是停留在多个局部最优点的某一个上，若要从局部最优搜索到全局最优，仅仅是以计算值与 教师值的误差平方和最小为日标函数似乎是不够的，这就要求增加目标函数的约束条件。 针对以上问题。本文有两点改进。首先训练样本的长度是依据经验公式求得；其次采用一种名为“时 differenceneural 间差分神经网络”(temporal 该模型的建立过程。 2 TDNN模型的建立 2．1训练样本长度的求取 一直以来，神经网络在水文水资源的应用中，训练样本的长度都是研究者经试算后确定的，尚无一定的 依据。在介绍本文采用的经验公式之前，需事先说明一个概念．即网络的VC维数。这是由学者Vapnik和 ·基金项目：国家自然科学基金重大项目资助(项目编号。 第一作者简介：覃光华(1975一)，女，重庆梁平人，工学博￡。水文及水资源专业o 第：篇技术方法 VC维数的表达式较困难，通常是对它进行估计。常用的近似式是： d一I甲l (1) 式中：IWI是网络模型中独立的参数个数，主要是指权值与阈值的个数。训练样本的长度m与陀维数之 间的关系式如下”1： m≈dvc／g (2) 式中：s是训练允许误差。作为例子．对一个结构为3—4—1的神经网络，按以上式子可求得；I矿I等于 21，即d虻近似为21。若8取为0．01，则训