[人工智能][神经网络]河道岸线变形神经网络预测模型研究.docxVIP

河道岸线变形神经网络预测模型研究 引言 河道岸线变化与堤防安全及河道防洪紧密相关。 岸线变化是由河道演变引起的， 河道演变涉 及因素十分复杂， 但归根到底是水流与河床之间相互作用的结果。 从以往研究河道演变方法来看， 主要可分为以下三种 [1] ：(1) 河工模型试验，我国在现代水利工程中，决定江河治理方案，解决 重大工程泥沙问题时，主要依赖河工模型试验，但问题是投资大耗时长。 (2) 数学模型，近年这 一方法得到迅速发展，但对特殊的河床演变现象如横向变形，弯道撇弯切滩等，模拟和预测时尚 有一定困难。 (3) 演变分析，只要求作一般分析的工程问题常采用这种方法。常规的演变分析作 预测时以定性分析推理为主，本文试图引入新的定量预测方法，以提高演变分析的预测精度。 人工神经网络 (Artificial Neural Network-ANN) 是目前国际上前沿研究领域的一门新兴交 叉科学。已在模式识别、自动控制等应用研究领域取得很好的效果。近年来，国内外已将神经网 络模型成功地应用于圩区规划、水资源、水环境评价及水文时间序列等方面的研究 [2 ～4]，为神经 网络模型拓宽了应用领域。 河道演变问题是一个复杂的非线性动力系统问题。考虑到 BP神经网络具有处理复杂非线性 函数的能力，本文以荆江河段中较为典型的石首弯道的演变为对象，研究建立一个基于 BP神经 网络的河道岸线变形预测模型。 BP 网络模型结构与工作原理 BP(Back Propagation) 网络是神经网络中采用误差反传算法作为其学习算法的前馈网络，通 常由输入层、输出层和隐含层构成，层与层之间的神经采用全互连的连接方式，通过相应的网络 权系数 W相互联系，每层内的神经元之间没有连接(如图 1所示)。 BP网络也可以看成是从输 入到输出的一种高度非线性映射 F，映射中保持拓扑不变性，在数学上可简单地描述为 (1)Y=F(x) F ：RN1→RN2 (1) BP网络在应用于预测预报之前，需要一个网络学习过程。网络根据输入的训练(学习)样 本进行自适应、自组织，确定各神经元的连接权 W和阈值。经过多次训练后，网络具有了对学习 样本的记忆和联想的能力。网络学习过程包括信息正向传播和误差反向传播两个反复交替的过 程。 (3) (3) (4) 图1 典型 BP网络结构示意图 Fig.1 Typical structure of BP network 信息正向传播过程 这一过程可由第 k 层第 j 个神经元的输入输出关系来简单地表征 ykj=fkj( )，j=1,2, ?， nk;k=1,2 , ?M (2) 式中 Wij (k-1)为第(k-1) 层第 i 个神经元到第 k层第 j 个神经元的连接权因子； θkj为该神经元 的阈值； f(x) 为网络节点作用函数，通常为一非线性函数，如 sigmoid 函数； nk为第 k层神经元 的数目， M为神经网络模型的总层数。 误差反向传播过程 一般说来，输入向量 I p通过网络模型计算的输出向量 O0pk和实际输出 Tpk 之间存在一定的计算 误差，而误差的大小往往与网络参数如权向量 WF、WS以及阈值 θH、θO有关。误差反向传播的学 习过程是将从输出层到输入层向后传播并修正相应网络参数的过程， 学习的目标是使网络的总误 差 E 小于某一允许值。 权向量和阈值的修正采用梯度法，根据该法分别得到权向量和阈值的迭代式为 其中 η 为网络学习率或学习因子， α 为动力因子，用于克服数值振荡。 上述各式构成了 BP神经网络模型。根据神经网络的训练学习算法，可确定网络的连接 权向量和阈值等参数， 即确定输入向量与输出向量的对应关系， 使实际输出与计算输出的误差达 到最小。 图 2 BP 网络模型算法框图Fig.2 Computation flow chart of BP network BP 网络模型的计算方法 网络节点作用函数 f(x) 有许多，常用的为 sigmoid 函数，本研究中采用此类函数 -x f(x)=1/1+e -x (5) 网络误差 E 的函数形式，本研究采用常见的平方误差 (6) 式中 P为输入样本数， N3 为输出节点数 为避免输入向量物理意义和单位的不同对 BP网络模型的影响，对输入向量须作标准化处理 =Xi-X =Xi-X imin /X imax -X imin X)×d1+d2 (7) d1、d2 为参数， i 表示标准化后的其中 Ximin、Ximax 输入样本中第 i d1、d2 为参数， i 表示标准化后的 综上所述，可得 BP神经网络模型的学习算法程序框图 2 河道横向变形 BP 网络模型的建立与验证 崩岸问题常与河道防洪形势密切相关。 近几十年来， 长江荆江段石首弯道上段向家洲一带主流左 移而产生