梯级关联算法原理及其在水文预报中的应用研究.pdfVIP

第九幸系统理论方法 梯级关联算法原理及其在水文预报中的应用+ 张志果1徐宗学1赵为民2 (1．北京师范大学承科学研究院水沙科学教育部重点实验室北京100875 2．黄河水利委员会水文局郑州市45(3004) 摘要传统lip网络需要j雯先设定网络隐古层的层教和每层的节点羲，使得在预测过程中堆以确定网络的最忧 结构。与之相反，梯短一关联算法(cc)要求初始网I蝽仅吉有输入层和赣出层．通过运算不断向阿络增加降音 节点。天拣j可道水流的合涉量与河床形态及河型存在复杂的关系，采用教学崔型或物理模型进行耆沙量预报时对 这种复杂的力学行为难以精确描速．且很多参鼓昔要经验化赴理，使褥旨沙t疆报的水平较低。本文在夼绍梯级 一关联算法原理的基础上，分别运用梯缎一关联算法和BP算法对拉萨河拉萨站的月流量厦黄河下游夹河滩站的 畚沙量进行了预报，结果显示：在不损失顼摄精度的前提下，梯级一关联算法的运算可使得运算攻教大幅度减 步，运算效率有很大的提高，同时阿络的规模也有所减小。 关键词梯缎一关联算法BP算法候选节点流量预报合沙量预报 作为一种非线性理论，神经网络能较好的模拟水文过程的非线性问题。近年来，神经网络模型已经广泛 应用于降雨径流预报…”、水质与水量预报”1、水库优化调度“】、地下水管理”1、水土资源利用规划”o等方 面的研究。在这些应用中．BP网络的应用最为广泛。但BP网络存在以下两个问题： (1)网络隐含层的层数及每层的节点数难以确定。 (2)收敛速度慢，易陷人局部最优点。 有鉴于此。很多学者提出了不同方法优化BP网络的性能．如殷峻暹等提出用遗传算法和权重调整BP 算法相结合的混合算法来训练模糊模式识别神经网络预测模型”1；刘国华等运用小波方法对原始数据降噪， 然后将降噪后的径流数据用于BP网络的降雨径流模拟，使得网络的收敛性能和学习精度都得到了大大 提高㈨。 天然河道挟沙水流具有复杂的力学行为。随着含沙量的增大，挟沙水流能耗率也增大，但当含沙量超过 某一临界值之后．能耗率则迅速减小。在这种微观层次上的复杂行为的影响下，河床形态和河型随含沙量的 变化也呈现出复杂的特点。这实质上是挟沙水流复杂行为的宏观表现”“。采用数学模型或物理模型进行含 抄量预报时对这种复杂的力学行为难以精确描述，且很多参数需要经验化处理，使得含沙量预报的水平 较低。 本文尝试运用梯级一关联算法构造神经网络，对拉萨河进行月流量预报、黄河下游夹河滩水文站进行含 沙量预报。结果表明，在不损失精度的前提下，有效解决BP网络存在的隐含层的层数及每层的节点数难以 确定、收敛速度慢、易陷人局部最优点等问题，取得了较为满意的结果。 1梯级—关联(cc)算法原理 该算法最初的网络结构只有一个输入层和输出层，在网络训练过程中引入一组候选节点，通过不断的将候选 节点转化为隐含节点从而自动地确定网络结构。一旦网络中增加一个新的隐含节点，便将它与输入层之间的 权重固定下来。此时，该隐含节点便起着特征探测器的作用m”1。按照这样的方式不断向网络中插入新的 隐含节点，直到输出层的误差达到预先设定的水平。这样，网络便形成一个多层结构，并且每一个隐含层含 ·基金硬且：黄河水利委员会科技局科技创新顷目“黄河下辩洪水智能预报模型应用研究’及北京9睢范大学“京师 学者”特聘教授启动经费支持。 u毋lO@163．com 第：篇技术方法 有一个隐含节点，如图l所示。 输出层 输 ^ 层 鞣o()o() 匿程权重 更新杠重 图1 CC网络结构图(其中以灰色方框标记的为权重固定的连接， 以白色方框标记连接的权重则需要不断地训练) BP网络之所以存在收敛速度慢等缺点，主要是因为存在一个目标移动的问题”…，即网络中的神经单元 都在向成为特征探测器的方向进化，但由于和邻近节点的交流不够，因此，邻近节点的