基于rbf神经网络的山西省需水预测研究.docxVIP

基于rbf神经网络的山西省需水预测研究 山西省是一个水资源严重不足的省份。1973年至2000年，水资源总面积为123.80亿米，是全国资源总量的0.44%。2000年代，人均水资源仅为38.31亿人，相当于全国人均17.16%。要实现经济的快速发展, 必须解决好水的供需关系, 需水预测是制订供水决策的重要参考目标, 可为水资源规划和管理提供必要的依据。需水预测需要研究用水现状及历年用水情况, 充分考虑当地的产业结构、工业发展趋势及发展规划、城市和农村居民生活水平的提高、农业经济模式与发展规划、人口增长等多方面的因素。 1 神经网络的评估 人工神经网络是当前国际学术界前沿研究领域, 在模式识别、图像处理、预测预报、故障诊断、信号处理、优化计算、专家系统与人工智能等方面得到了广泛的应用。影响需水预测的因子很多, 建立这些影响因子与需水量的精确数学模型较为困难。神经网络具有广泛的从输入到输出的映射能力, 是一种能够找到正确反映现实系统输入、输出及它们之间外在关系的数学模型的有效工具。 神经网络应用于预测领域, 最普遍采用的是多层前馈神经网络模型, 即BP网络。BP网络采用反向传播算法, 不仅收敛速度慢, 而且会遇到局部极小值问题, 因此这里采用径向基函数 (RBF) 神经网络模型。 1.1 rbf神经网络的结构 RBF神经网络是J Moody和C Darken于20世纪80年代末提出的一种以函数逼近理论为基础的三层前馈网络。它具有很强的生物学背景, 模拟人的大脑皮层区域中局部调节及交叠的感受野 (Receptive Field) 。RBF网络无论在逼近能力、分类能力和学习速度等方面均优于BP网络, 能够避免局部收敛, 实现快速全局收敛。 常用的径向基函数有以下几种形式: f(x)=e?(x/σ)2(1)f(x)=1/(σ2+x2)α(α0)(2)f(x)=(α2+x2)β(αβ1)(3)f(x)=e-(x/σ)2(1)f(x)=1/(σ2+x2)α(α0)(2)f(x)=(α2+x2)β(αβ1)(3) 以上这些函数都是径向对称的, 但最常用的是高斯函数: Ri(x)=exp(?∥x?ci∥2/2σ2i)(i=1,2,?,m)(4)Ri(x)=exp(-∥x-ci∥2/2σi2)(i=1,2,?,m)(4) 式中:x是n维输入向量;ci是第i个基函数的中心, 与x具有相同维数的向量;σi是第i个感知的变量, 它决定了该基函数围绕中心点的宽度;m是感知单元的个数 (隐含层节点数) ;‖x-ci‖是向量x-ci的范数, 它通常表示x与ci之间的距离;Ri(x) 在ci处有一个惟一的最大值, 随着‖x-ci‖的增大,Ri(x) 迅速衰减到零。 对于给定的输入, 只有一小部分靠近x的中心被激活。 RBF神经网络的结构如图1, 其隐含层作用基函数选用高斯函数, 设输入层的输入为X= (x1,x2, …,xj, …,xn) , 实际输出为Y= (y1,y2, …,yk, …,yR) 。输入层实现从X→Ri(X) 的非线性映射, 输出层实现从Ri(X) →yk的线性映射, 输出层第k个神经元网络输出为 式中:m为隐含层节点数;p为输出层节点数;ωik为隐含层第i个神经元与输出层第k个神经元的连接权值;Ri(X) 为隐层第i个神经元的作用函数。 当确定了RBF网络的聚类中心ci、权值ωik以后, 就可求出某一输入对应的输出值。 1.2 之间的在线自适应聚类学习算法 采用最近邻聚类学习算法来选取RBF的中心。聚类中心的选取有多种算法, 其中随机算法和自组织学习算法适用于静态模式的离线学习, 不能用于动态输入模式的在线学习, 网络隐层单元的节点数要事先人为确定, 而最近邻聚类学习算法是一种在线自适应聚类学习算法。此算法隐含层单元的节点数不需要事先人为确定, 随着输入样本的变化, 隐含层单元的节点数也随之而变, 训练样本学习结束, 隐含层单元的节点数随之确定下来。 2 山西省需要水预测 2.1 水资源量概况 RBF神经网络需水预测模型建立在历年用水量的基础上, 经过样本学习, 确定网络模型结构, 因此在进行需水预测之前, 应先对历年用水量进行分析。 总用水量包括生活用水、工业用水和农业用水。20世纪90年代以来, 山西省用水总量从1990年的60.21亿m3增至2000年的66.58亿m3, 增长率为1%。多年年均用水总量为64.85 亿m3, 其中:城镇生活用水量3.69亿m3, 农村生活用水量3.87亿m3, 工业用水量14.23 亿m3, 农业用水量43.06 亿m3;分别占总用水量的5.69%、5.96%、21.94%和66.41%。1990～2000年城镇生活、农村生活、工业、农业用水量见图2。 2.2 rbf神经网络需水预测模型预测模型检