人工神经网络峰值识别理论及其在洪水预报中的应用.pdfVIP

人工神经网络峰值识别理论及其在洪水预报中的应用 洪水预报作为非工程性防洪措施正日益受到重视，准确及时的洪水预 报为防洪决策提供了科学的依据.人工神经网络模拟了人类大脑的结 构及其功能，从而具有对模糊信息或复杂的非线性关系进行识别与处 理的能力[1,2]. 早期关于人工神经网络在水文水资源系统中的应用与研究的进展 情况，文献[3]有较为详细、系统的介绍.其中，关于洪水预报的研究 成果，大多处于如何应用人工神经网络算法进行洪水预报的阶段，即 如何将洪水预报的实际问题概化成人工神经网络可以识别的算法模 型.近期的研究成果表明，研究的问题更加深入，如 LINDA SEE(1999)[4]将洪水过程分为上升段、洪峰段和下降段三部分，分别 建立相应的预报模型，充分考虑了不同阶段的洪水过程其演进规律的 差异.Fi-John Chang(1999)[5]引入洪峰预报误差和峰现误差作为洪 水预报精度的评价标准，对于洪峰预报精度给予了高度的重视.能否 保证较高的洪水峰值的预报精度，是将人工神经网络的实时洪水预报 技术实际应用的关键性问题. 本文在总结大量实践经验的基础上[6,7]，提出了一种能够进行峰 值识别的改进 BP 算法 (Error Back Propagation with Peak Recognizer,简称 BPPR).该算法在修改网络权重时偏重大值，即大值 误差对权重的修改起主要作用.这种改进的 BP 算法使人工神经网络 洪水预报模型对洪峰峰值的预报精度显著提高，从而保证了洪峰预报 的可靠性. 1 人工神经网络的峰值识别理论 洪水预报主要是为防汛服务的，通常对洪峰时段的水位 (或流量)的 准确预报尤为重要.但是，对于经典的 BP 算法，网络训练是根据全局 误差修改网络权重的，这种权重修改方法很难控制洪峰水位 (或流量) 的训练精度，训练后的网络权重所贮存的信息很可能更多地反映了样 本数量较大的中、低水位 (或流量)的变化规律.所以，经过训练的网 络对中、低水位 (或流量)的预报精度相对较高，而对洪峰的预报精度 往往低一些.如何提高人工神经网络模型对洪峰水位(或流量)的预报 精度，是人工神经网络理论应用于洪水预报的关键问题之一. 本文是在结合实际课题广泛研究的基础上，提出了一种能够提高网 络模型峰值识别精度的改进 BP 算法. 1.1 峰值识别的基本思想 经典 BP 算法的训练过程由信号的正向传 播与误差的逆向传播两个过程组成.其中，误差的逆向传播是基于网 络全局误差并按误差梯度下降的原则对网络权重进行修改.如果对原 来基于全局误差的权重修改原则进行合理调整，使权重的修改倾向于 减小输出值较大样本的网络映射误差，这是峰值识别原理的基本思想， 其实质是在误差逆向传播的网络权重修改过程中，遵循了侧重于峰值 样本误差的权重修改原则. 1.2 峰值识别的算法峰值识别理论的实现方法，是在引入动量项和 采用学习率自适应调整的改进 BP 算法[4]的基础上，对峰值样本的网 络误差引入合理的修正系数，使网络的权重向着使峰值训练误差减小 的方向修改. 首先，从经典 BP 算法开始.设有输入为 x1(t)、x2(t)、、xn(t)的n 维输入，输出为 xL1(t)、xL2(t)、、xLm(t)、的m 维输出和若干隐层 组成的多输入、多输出人工神经网络模型.这里的 t 为样本序列号， 这样的样本共有 P 对. 第 l 层中第 i 个神经元节点所接收到的上一层输入总和为 式中：Nl 为第 l层神经元节点总数；w(l)ij 为第 l层 i节点与第 l-1 层 j 节点之间的连接权重；theta;(l)i 为第 l 层 i 节点的阈值. 第 l 层中第 i 个神经元节点的输出为 x(l)i(t)=f （y(l)i(t)）=1/1+exp(-sigma;y(l)i(t)) (1lL,1iNl) （2） 式中：f(●)为转移函数，这里采用的是对数型的单极性 Sigmoid 函数；sigma;为决定 Sigmoid 函数压缩程度的系数.该系数越大，曲 线越陡；反之，曲线越缓. 则，当训练次数为 k 时，网络输出层及隐层的误差信号可表示为 式中：d(L)i(t)为训练样本的期望输出. 那么，网络权重的修改公式为 式中：eta;(k)为训练次数为 k 时的学习率；alpha;为动量项系 数. 以上为经典BP 算法的基本内容.基于峰值识别的思想，实现网络误 差修正倾向于输出样本的较大值，定义误差修正系数xi; xi;i=d