流域年均含沙量BP模型问题分析.docxVIP

流域年均含沙量 BP 模型问题分析 摘要：本文在用人工神经 网络 BP 模型对流域年均含沙量进行多因素建模过程中，对 BP 算法进行了改进。在 学习 速率 η 的选取上引进了一维搜索法，解决了人工输入 η 时， 若 η 值过小，收敛速度太慢，η 值过大，又会使误差函数值振荡，导致算法不收敛的 问题 。建模实践表明，改进后的 BP 算法可能使网络误差函数达到局部极小点，提高了算法的拟合精度。 关键词：BP 算法 学习速率 年均含沙量 一维搜索法 我国河流众多， 自然 资源十分丰富，但江河流域水土流失非常严重，给国家的可持续 发展 以及生态环境带来较大的危害。对于流域产沙的定量 研究 ，一般采用单因子线性回归 方法 。这类方法虽然也能反映出某种统计特性，但不能刻画自然界复杂的非线性特性。人工神经网络 BP 网络模型是复杂非线性映射的新方法。在引入这一新的定量研究方法对流域年均含沙量进行建模预测时发现：算法中学习速率 η 值的选取对算法成败起着关键作用，若 η 值过小，收敛速度太慢，而 η 值过大，又会使误差函数值不下降，导致算法不收敛。本文正是针对这一问题进行了探讨 BP 网络模型及学习率 η 固定的弊 上式中的 η 为学习速率，即沿负梯度方向的步长。对于 BP 算法学习速率 η 的选取标准，一些研究者凭经验认为取 0～1 之间较合适，但这并无理论依据。实质上，η 大小的选取对算法的成败起关键作用，步长过大，误差函数值可能发生振荡，甚至出现不收敛 ，而步长过小，收敛速度又太慢，并且在每一次迭代中，可选步长也不一样。总之，对于 BP 算法固定的学习速率 η 不可能使网络达到局部极值点。为此，本文引进一维搜索法， 在每一次迭代过程中让计算机自动去寻找一个最优的步长，这样可使网络收敛到局部极值点 BP 算法及其改 BP 算法步 1°随机抽取初始权值 ω０ 2°输入学习样本对（Xp,Yp），学习速率 η，误差水平 ε 3°依次计算各层结点输出 opi,opj,opk 5°若误差 Eε 停止，否则转 3° 最优步长 ηk 的确 1°给定 η0=0,h=0.01,ε0=0.00001 2°计算 Φ′(η0),若 Φ′(η0)=0,则令 ηk=η0，停止计算 3°令 h=2h, η1=η0+h 4°计算 Φ′(η1)，若 Φ′(η1)=0，则令 ηk=η1，停止计算 若 Φ′(η1)0，则令 a=η0,b=η1；若 Φ′(η1)0，则令 η0=η1，转 3° 5°计算 Φ′(a)，若 Φ′(a)=0，则 ηk=a，停止计算 6°计算 Φ′(b)，若 Φ′(b)=0，则 ηk=b，停止计算 7°计算 Φ′(a+b/2),若 Φ′(a+b/2)=0，则 ηk=a+b/2，停止计算 若 Φ′(a+b/2)0,则令 a=a+b/2;若 Φ′(a+b/2)0，则令 b=a+b/ 8°若｜a-b｜ε0，则令，ηk=a+b/2,停止计算，否则转 7° 改进 BP 算法的特点 分析 在上述改进的 BP 算法中，对学习速率 η 的选取不再由用户自己确定，而是在每次迭代过程中让计算机自动寻找最优步长 ηk。而确定 ηk 的算法中，首先给定 η0=0，由定义 Φ(η)=E(ωk+ηpk)知，Φ′(η)=dE(ωk+ηpk)/dη=E(ωk+ηpk)Tpk，即Φ′(η0)=-pTkpk≤0。若 Φ′(η0)=0，则表明此时下降方向 pk 为零向量，也即已达到局部极值点，否则必有 Φ′(η0)0，而对于一维函数 Φ(η)的性质可知，Φ′(η0)0 则在 η0=0 的局部范围内函数为减函数。故在每一次迭代过程中给 η0 赋初值 0 是合理的 改进后的 BP 算法与原 BP 算法相比有两处变化，即步骤 2°中不需给定学习速率 η 的值；另外在每一次修正权值之前，即步骤 4°前已计算出最优步长 ηk 实例 分析 通常流域含沙量与气象、水文要素和下垫面植被状况等多因素关系密切[4]。本文选取了采伐面积(X1)、采伐量(X2)、降雨量(X3)和年平均径流量(X4)这 4 个主要因素对流域年均含沙量(Y1)进行了建模预测[5]。由于采伐面积和采伐量对流域产沙的 影响 很难在一年后彻底消除，有可能影响到以后的几年甚至几十年流域产沙量。因此，本文认为采伐面积(X1)、采伐量（X2）对流域年均含沙量具有一定的滞后效应。下面对这两个因子 X1 和 X2 各取五阶延迟，即采用输入层节点数 n=14，输出层节点数 m=1，隐含层节点数取 r=12 的三层 BP 网络 建模 表 1 中，列举了网络 学习 过程中由一维搜索法得出的最优迭代步长 ηk 的系列值。由于数据量太大，因此间隔性地选取迭代过程中的部分值。从表 1 可看出，最后得出的 ηk 值为 0，这说明网络收敛到局部极值点，这一点原 B