孙树青 -基于人工神经网络的长江三峡年最大洪峰流量中长期预报.ppt

基于人工神经网络的长江三峡 年最大洪峰流量中长期预报 孙树青 长沙理工大学水资源与水环境研究所 年最大洪峰流量的分析和预报是中长期水文预报中的重点和难点之一，它涉及时、空尺度大，影响因素众多复杂，具有很大的不确定性，难以用常规统计方法作出准确预报，而人工神经网络能有效地处理问题的非线性、模糊性和不确定性关系，水文预报实践证明其具有较高的精度，因此将人工神经网络引入年最大洪峰流量的预报有望取得较好的效果。 在本文以长江宜昌站作为长江三峡的代表站，比较了几种常见改进BP算法的优劣，探讨了BP网络建模过程中存在的几个问题，建立了LMBP算法和自适应BP算法相耦合的中长期水文预报模型，进行年最大洪峰流量中长期预报。 1 BP神经网络基本原理 BP神经网络通过误差函数最小化完成输入到输出的映射，包括信息正向传播和误差反向传播两个反复交替的过程。信息正向传播过程是将输入信息从输入层经隐含层逐层处理后传向输出层的过程，期间经过激励函数的处理;误差反向传播学习过程是误差从输出层到输入层向后传播并修正权值向量的过程，学习的目标是使网络的训练误差小于某一允许值 。 2 预报因子选择 根据统计分析、成因分析和模糊分析, 以74项环流特征量，关键区海温指数，流域站点气温资料和降雨资料、历年旬、月、年流量资料特征值等水文气象资料为基础，挑选出影响宜昌站年最大洪峰流量的5个前期预报因子,分别为前一年7月大西洋副高北界、前一年7月北非副高强度指数、前一年宜宾-重庆流域年降水、前一年岷沱江流域11月中旬降水量、前一年重庆-万县流域1月中旬降水量。 3 BP网络中长期水文预报模型的建立 3.1 样本的预处理 本文采用以下的归一化公式： 3.2 BP算法的改进及比较研究 给定训练精度0.002，设定最大训练次数为50000次，隐含层节点数为7个，以长江宜昌站1972-1996年实测年最大洪峰流量及其对应的5个前期预报因子特征值资料作为建模，分别应用LMBP算法、自适应BP算法、变步长BP算法、加动量BP算法对样本进行训练各10次，并预报1997年年最大洪峰流量，各种算法训练结果见表1。 结合表1，从以下几个方面对各种算法性能加以比较分 （1）训练速度：LMBP算法仅需数次便能收敛至给定精度，训练效率远高于其它算法，其次为自适应BP算法；变步长BP算法和加动量BP算法都需大量次数的训练。LMBP算法训练次数最为稳定，其它三种算法收敛的训练次数波动非常大。 （2）模拟精度：LMBP算法平均绝对相对误差为6%，另外三种算法均在7%左右，LM算法略优。 (3)预报效果：如取10次训练的平均值作为最后的预报结果，四种算法的预报误差相差并不大。但LMBP算法的MSE为0.025，MAPE为14.7%，高于其它算法，说明单个预报精度低，预报风险高，其次为变步长BP算法；而加动量BP算法和自适应BP算法的MSE和MAPE较低，相应地单个预报精度较高，预报风险较低。自适应BP算法在第7次训练时出现了28.6%的预报误差，与其它预报结果相差很大，出现了所谓的震荡现象，在实际作业时可视为无效训练予以排除。经计算，另外9次训练的MSE为0.084，MAPE为8.2%，预报误差为-6.83%，优于其它算法。 3.3 网络结构的确定 3.3.1 收敛准则的选择 BP网络常选择均方误差作为网络训练的收敛准则，即要求全部训练样本实际输出的均方误差小于一个足够小的数 ，称为训练精度。一般来说，训练精度越小拟合精度越高，相应地预报精度也越高；但是，如果训练精度太小，不但增加训练时间，而且会出现过拟合现象，从而使预报精度降低。根据水文预报实际，拟合的平均绝对相对误差小于10%时便可以满足绝大多数的预报要求。经大量训练验证，当 时能取得令人满意的预报效果，对应拟合的平均绝对相对误差为6%-7%左右。 3.3.2 隐含层神经元数的确定 研究表明，对于给定的训练样本数，存在一个最佳BP结构，即最少隐含层单元数，使网络的训练次数最少且具有最强的泛化能力。一般来说，随着隐含层单元数的递增，训练次数会减少，但达到最少隐含层神经元数后，再增加隐含层神经元数，训练次数也明显变化，反而因隐含层神经元数增多而增加了计算时间，且泛化能力降低。自适应BP算法收敛所需训练次数波动大，要确定最少隐含层神经元数势必需要大量次数的试验，而LMBP算法训练效率高，训练次数稳定。因此本文尝试先用LMBP算法来确定隐含层神经元数，然后用自适应BP算法来预报。 采用LMBP算法，取长江宜昌站1972-1996年实测年最大洪峰流量及其对应的5个前期预报因子特征值资料作为建模，给定