数学建模-DHUMCM11016-A.docVIP

2011年东华大学数学建模竞赛论文 赛题编号（A） （河流径流量预测与相互关系分析王鹤翔信息科学与技术自动化0902罗世操信息科学与技术自动化0902俞承昊信息科学与技术电气0902,并对两者的输入变量的选择和个数的确定以及隐藏层、输出层单元数的确定等关键技术问题进行了探讨。由预测结果可以看到在输入变量中加入前几天的日径流量可以较大的提高预测的精度。最后对两者的预测效果进行了比较，无论拟合的过程还是预测检验的结果都与实测值基本符合，但同时也看到BP神经网络在汛期时由于水量变化过大，预测效果不及RBF神经网络。说明RBF预测模型更为合理。对于各水文站径流之间关系的确定，我们采用多元线性回归的逐步回归的方法，逐步剔除相关系数较小的水文站，最总确定它们之间的制约关系。对于大型水库的位置的选取，先从各流域的年径流量出发，找到年径流量在10亿立方米以上的流域作为参考点。然后观察到各水文站径流随季节的变化一致，剔除时间因素对选址影响，主要考虑地域的平衡。我们建立了一个理想化的模型来估计水库对水资源地域的重分配。理想地认为相邻的各水文距离为“1”，由于水是自高向低流，所以也理想地认为上游的海拔成一个固定倾角线性上升，这样水库拦截下的水资源可按等差数分配给每个水文站。最后根据水资源在空间上的匀称程度决定水库的位置。 关键字: 径流量预测；神经网络；制约关系；水库选址 问题的重述 2011年，中国山东、山西、河北、湖北等地遭受百年一遇的特大旱灾，3月旱灾蔓延至江西、湖南等地，截至3月，全国耕地受旱面积1.16亿亩农田受旱，272万人饮水困难。旱情的预测和水资源的调节与利用已成为我们共同关注的话题。分析河流动态变化，快速而准确的进行水量预报，更好地利用河流水量，是我们刻不容缓的任务。 根据河流动态的变化，快速准确的进行水量水情预报，为可控调节用水，旱情缓解提供一定的技术支持。图1是某流域一河流水文站网络概化图。为了能够更好地分析其动态水流变化，在河流各段分别设置了径流检测点，又称水文站，用于检测实时水量的变化。在此河流流域共设置距离不等的18个水文站，在附件的Excel文件中，记录了各个控制断面在一年内各天的径流变化的均值。这里假设径流的变化只与平均水位、降雨量之间密切相关，同时，各个水文站之间径流量也会相互作用。 1、试用各水文站的平均水位、降雨量数据预测未来3天内各水文站的径流量（产汇流与径流存在区别，径流量的大小还会受到水库调蓄等因素的影响）。 2、请分析各个控制断面间径流量相互制约关系，表1给定了流域多年平均水量消耗，实际可看作用水比例。 3、如果让你在此流域设置二个大型水库，用于平衡调节各地区径流量及抗旱蓄水，请问如何设置此水库位置，并分析原因。水文站的未来3天径流量和 表示第层第 个神经元的输入和输出，网络的各层输入输出关系可描述为： 第一层（输入层）：将输入引入神经网络。 第二层（隐层）： 其中是激发函数，可以取不同形式，如： S 函数： 高斯基函数： 以及径向基函数、样条基函数、小波函数等。 第三层（输出层）： 基于本文模型的条件：i=2,l=5,k=1，以上就完成了神经网络的基本网络构建。下一步是要确定网络的学习算法。学习的基本思想是：通过一定的算法调整网络的权值，使网络的实际输出尽可能接近期望的输出。在本网络中，采用误差反传（BP）算法来调整权值（即 BP 神经网络）。其基本原理是：当网络的输入（即相应影响因素）为 时，网络的实际输出为，网络的期望输出（即实际的径流量值）为 。 定义学习的目标函数为：（均方差法） 同时 BP 算法通过下列公式来调整权值，使目标函数最小：（最速下降法） 其中为学习率。其中具体分析每一层神经网络，可以得到： 其中基于以下公式，偏差逐步反传： 得出各因素的处理后权值： 模型的求解 1.准备和数据预处理 神经网络是一种适宜处理具有残缺结构和能够分析含有错误成分的算法,它能够在信息含糊、不确定、不完整、存在矛盾及假象等复杂环境中处理分析数据；并且神经网络所具有的自学能力，使得传统数学算法应用最为困难的有效数据获取工作，转换为网络的变结构调节过程,从而大大方便了各种不同应用对象的建模与分析，进而可以对一些复杂问题做出合理的判断决策,做出有效的预测和估计。 训练数据如下： 表 1 HS2站1,2,3月前20天逐日降水量表和平均水位表 1月 2月 3月 30.08 30.26 30.74 08 21 75 07 19 56 08 20 31.17 07 28 75 07 26 30 07 27 40 07 31 89 07 36 32.93 11 43 52 08 37 31.58 11 34 4