水资源系统分析第8章人工神经网络和遗传算法.pptVIP

* * 网络的拓扑结构 x1 o1 输出层 隐藏层 输入层 x2 o2 om xn … … … … W V * * 3.2.4 基本的BP算法 样本集：S = {(X1,Y1),(X2,Y2),…,(Xs,Ys)} 基本思想 ： 逐一地根据样本集中的样本(Xk,Yk)计算出实际输出Ok和误差测度E1，对W(1) ，W(2) ，…，W(L)各做一次调整，重复这个循环，直到∑Epε。 用输出层的误差调整输出层权矩阵，并用此误差估计输出层的直接前导层的误差，再用输出层前导层误差估计更前一层的误差。如此获得所有其它各层的误差估计，并用这些估计实现对权矩阵的修改。形成将输出端表现出的误差沿着与输入信号相反的方向逐级向输入端传递的过程 * * 4 ANN在水文水资源系统中应用 随着近几年神经网络研究热的兴起，ANN技术在水文水资源系统中的应用也日渐增多，已开发出了许多水文水资源神经网络(HWRNN)模型，为解决水文水资源问题提供了新的途径。 * * 在目前的水资源研究中，ANN涉及的具体领域包括气候影响分析、水质分析、水文预测与预报、地下水管理和水库优化调度等。 * * 4.1 水文预报 ANN用于水文水资源中预测预报问题的研究主要有：降水预报、径流预报、水质预测、水量预测等。 所采用的神经网络模型有BP模型、Adaline模型等。 应用神经网络进行水文预报，其建模比较容易。一般影响因子(预测因子)就是网络的输入，输入层神经元个数就等于影响因子(预测因子)的个数，需要预报的水文变量就是网络的输出。 * * (1) BP人工神经网络在短期降水预报中的应用 a. 预测因子： 依据降水的主要条件，选取反映预测区域降水条件的物理量。如： 湿度条件：相对湿度、水汽通量； 垂直速度条件：散度、垂直速度、降水量、涡度； 东高西低条件：高度差； 锋区和能量条件：温度差等。 * * b. BP神经网络的建立 可采用三层BP人工神经网络模式，输入层为n(如n=10)个神经元，其对应10个预报因子。 输出层为1个神经元，对应降水量。中间层一般取输入层和输出层数的平均，这里取7个神经元。 设X为输入层，H为隐含层，Y为预报输出层。 * * ① 预报因子0~1化：Xi=(Xmax-Xi)/(Xmax-Xmin); ② 在训练以前我们取0~1之间的随机数为连接权重系数Uil 、 Wlt 赋初值。由于训练开始时误差常常较大，它们将在以后的训练学习过程中自动逐步调节。 ③ 输入训练样本训练： 以河北保定市气象局02年为例。 从3月到11月接收数值预报产品齐全的共有159天，用前109天的资料作为网络训练样本。50天为检验样本。 拟合结果：经过两万多次的训练，总体预报误差达到了4.0以下。终止训练后。这109天中共有降水日27天，其中小雨20天，中雨6天，大雨以上降水一次。训练结束时27天降水全部报出，量级也全部正确，只是空报两次小雨过程，历史拟合率达到27/29=93%。 检验结果：在试报的50天中共有降水8次，其中大雨2次，漏一次，一次报中雨。中雨3次，报对2次，漏一次。3次小雨，一次报中雨，漏2次。另空报2次小雨，定性准确率4/10=40%。 * * (2)人工神经网络在径流(中长期)预报中的应用 a. 流域年径流量主要影响因子分析在建立网络预报模型之前，要分析流域产流的主要影响因子，流域年径流量与降雨条件、流域地貌、植被、土壤特性等自然因素有关，降雨是流域产流的直接动力因子，流域内降雨强度、降雨量以及降雨范围和落区等因素都对流域产流有较大影响，而流域的面平均降雨量则是主要的影响因子. b. 实测水文系列标准化。 c. 建立神经网络模型。 d. 把影响因子标准化序列输入网络, 以实测径流量为期望输出对网络进行训练。 e. 使用训练好的网络模型进行预测。 * * (1) BP神经网络水质评价 流域中水质参数的变化都是一个渐变的过程，所以根据历史变化的趋势来预测后面的输出有比较好的效果。所以以若干连续实际值作为输入，来预测下一时段的输出值是本文构建神经网络的主要框架。预测模型可以描述为: 式中：D(t)表示t时刻某水质指标的监测数据(即浓度值)，n为输入节点个数，F是由神经网络确定的输入输出映射关系。 项目 CODMn 氨氮 处理后COD 项目 CODMn 氨氮 处理后COD 日期 ≦6mg/l ≦1mg/l ≦6mg/l 日期 ≦6mg/l ≦1mg/l ≦6mg/l 1 2.8 0.201 0.280 11 2.7 0.202 0.270 2 2.6 0.213 0.260 12 2.6 0.210 0.260 3