基于BP水文预报.pptVIP

BP网络在降雨径流预报中的应用 一.概述 在水库的运行过程中，必须根据流域径流的信息，合理安排发电和泄洪计划，做到经济，合理，安全运行。水库调度的的依据就是径流预报。 降雨径流预报是根据流域的水文要素（流量、水位等）或其影响要素（降雨、温度等）的过去或现在状态，对其未来状态做作出估计。 我国在水库运行的实践广泛应用的流域短期径流预报模型为新安江模型和BP网络模型。 本章介绍具有自学习功能的神经网络模型预报降雨径流过程的基本方法 在进行归一化处理时，可以采用变尺度法，如 降雨量 ，一般： 其中：加2的原因是为了使降雨量为0时，能避开作用函数的非线性区间；考察历史降雨量数据后，认为一般每小时降雨量不会超过35mm。 （3）初始权值设计 应用中隐层权值采用使初始权值足够小的方法； 而对于输出层权值采用使初始值为+1和-1的权值数相等。 （4）网络学习 学习的过程： 神经网络在外界输入样本的刺激下不断改变网络的连接权值,以使网络的输出不断地接近期望的输出。 学习的本质： 对各连接权值的动态调整 学习规则： 权值调整规则，即在学习过程中网络中各神经元的连接权变化所依据的一定的调整规则。 核心思想： 将输出误差以某种形式通过隐层向输入层逐层反传 学习的过程： 信号的正向传播 误差的反向传播 网络结构 输入层有n个神经元，隐含层有p个神经元, 输出层有q个神经元 变量定义 输入向量; 隐含层输入向量； 隐含层输出向量; 输出层输入向量; 输出层输出向量; 期望输出向量; 输入层与中间层的连接权值: 隐含层与输出层的连接权值: 隐含层各神经元的阈值: 输出层各神经元的阈值: 样本数据个数: 激活函数: 误差函数： 第一步，网络初始化 给各连接权值分别赋一个区间（-1，1）内的随机数，设定误差函数e，给定计算精度值 和最大学习次数M。 第二步,随机选取第 个输入样本及对应期望输出 第三步，计算隐含层各神经元的输入和输出 第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数 。 第六步，利用输出层各神经元的 和隐含层各神经元的输出来修正连接权值 。 第七步，利用隐含层各神经元的 和输入层各神经元的输入修正连接权。 第八步，计算全局误差 第九步，判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。 标准BP的改进 增加动量项 自适应调节学习率 引入陡度因子 * * 三、径流预报的BP网络模型 1、输入层 输入层共有 个结点，分别为 其中： 为时段序号； 为流域的汇流时间（时段数）； 为第 个时段的降雨量； 为流域出口的径流； 为流域的蒸发能力。 设流域的总面积为 ；在流域上设置了 个水文观测站；相应的控制面积为 。当 时段水文观测站测量的降雨量为 时，则该时段流域上的总降雨量为 （1）输入数据处理 2、隐含层 根据人工神经元网络理论，BP型多层网络的映射性能力与隐层的层数和隐单元的数目有关，虽然这种关系没有严格的数学表达式，但大量实验结果表明： 无隐层的前向网络只能完成线性映射或多维空间的线性分割； 有隐含层的网络可以实现任意域的分割，即任意L上[0，1]到R的映射G，都存在一个3层BP网络可以任意逼近G。 因此，径流预报中选用了三层BP网络，即除输入、输出层外，有一个隐含层。 另外，可以根据经验公式 确定隐含层结点的初始个数，其中： 分别为输入和输出层节点数。在此基础上通过试验最终确定最佳隐含层结点的个数。 确定隐节点数 3、输出层 根据径流预报问题的需要，选择输出层节点为下一时段的流域出口断面的径流 。 径流预报BP神经网络模型如下图。 应用BP网络进行径流预报示意： 4、BP网络的训练 （1）训练样本选择 根据人工神经网络理论，网络的泛化能力与训练样本的数量和质量有关。因此，在选择训练样本时，应选择历史上有典型特征的洪水过程。 由于BP网络的作用函数采用了Sigmoid函数，该函数的输出为0到1之间的数，所以需要对训练样本的输出部分（流域出口断面的径流量）要作归一化处理。 同样，对于输入部分也需要作归一化处理。一方面是由于在输入部分中含有归一化后的流量；另一方面是因为归一化可以有效地提高网络训练的收敛速度。 （2）归一化处理 将误差分摊给各层的所有单元－－－各层单元的误差信号 修正各