混合神经网络组合预测模型在径流预测中的应用研究.pdfVIP

第九章系统理论方法 混合神经网络组合预测模型在径流预测中的应用+ 张礼兵1-2程吉林1金菊良2张健1 (1．扬州大学水利科学与工程学院扬州2250092．合肥工业大学土术与建筑工程学院合肥230C09) 摘要非班性组台预测横型面临的主要难惠是麦权重的合理确定，基此本文提出基于试验遗传算法改进的BP 人工神经阿络方法，并将之应用于组合预硼模型变权董的求解问题。实例表明，这种组合预测方法不仅有教避开 了传统组合预测模型权童计算的繁琐．且能集各预测模型所长，概念清晰，计算筒便，具有较高的推广应用 竹值。 关键词试验遗传算法BP^工种经网络麦权重组合弧测崔型 1引言 对于单项预测模型存在着预测效果不稳定等局限，众多学者提出将各预测模型适当地结合起来形成组合 预测模型(combination forecastingmodel，CFM)，以较大限度地综合利用各种模型所提供的有效信息以提高 整体预测精度“订1。应用CFM进行预测的关键是各模型权重的确定，一般把随着序列变化的权重称为变权 重，否则称为定权重。因后者易于理解，计算过程简单，在早期组合预测模型中应用较多。但由于变权重组 合方式更能充分提取不同预测模型在不同条件下的有效信息，因此具有更好的合理性和精确性，然而囡其计 算量较大，操作过程复杂，故目前研究尚少。在各模型的组合方式上用非线性方法是新趋势，近年来有通过 模糊”o、小波变换或人工神经网络等方法建立模型的非线性联系，计算精度和预测效果较前者有了很大的 neural 改善，不过一般建模过程复杂而影响其推广应用。其中基于人工神经网络的组合预测模型(aificial based networks 由于ANN固有的缺点如学习速度缓慢、易陷入局部极小点等，这极大地限制了其与组合预测模型的无缝结 合。基于此，应用试验遗传算法(experimental genetic 念清晰，计算简便的特点。将EGA—ANN—CFM应用于某河流年径流预测问题，取得了满意的结果．叙述 如下。 2基于神经网络的组合预澳4模型 下面以图1所示的三层BP神经网络为例，说明 单样本点基于BP算法的ANN—sFM的实现过程。设 输入神经元为h，隐层神经元为i，输出神经元为^ !捏值謦正 ：闻值謦正 4， ^，^，母分别为三层的节点数目，怫、0j分别为隐 层节点i、输出层节点』的阈值．¨坤i分别为输入 层节点h与隐层节点i间、稳层节点i与输出层节点』耳．2 且一* 间连接线的权值，各节点的输人为*，输出为Y。 ： 步骤1：初始化。设已归一化的输人、输出样本 斗，- k=1，2，…，^；^=1，2，…，n^J=1， 为{以也．JI 输^层h 隐层i 输出层J 2，…，njl，并给各连接权{巩。j、{”。}和闭值{B}、 i研】赋予(一0．1，0．1)区问上的随机值。 图1基于BP算法人工神经网络的 步骤2：置k=1，把样本对(。¨，五．，)提供给网 组合预测模型结构 第一作者简介：张礼兵(1972一)．男，安徽肥东人．博士研究生，讲师．主要从事水资源及灌排系统工程研究。E —mail：zh蚰glihin一77@163．corn 第=篇技术方法 络(^=1．2，…，‰；』：I，2，…，吩)。 步骤3：计算隐层各节点的输入#。、输出儿(i=I，2，…，n。)： ’