bp神经网络预测城市需水量.docxVIP

bp神经网络预测城市需水量 在科学制定节水和供水计划时，应长期预测水资源总量是该计划的基础，是确保21世纪城市可持续发展水资源需求的前提。城市需水量是指城市新鲜水的取水量(原水取用量)。近十多年来,一方面城市生活需水量受城市化进程加快和人民生活水平不断提高的影响,另一方面工业需水量受城市产业结构调整、高新技术产业与附加值产业迅速发展的影响,同时又受有限水资源制约和强化节水管理的影响,而使城市需水量呈现出非线性变化。近年发展成熟起来的人工神经网络(Artificial Neural Network),是用工程技术模拟人脑神经网络的结构和功能特征的一类人工系统,它构成一个大规模并行的非线性动力系统。因此,运用ANN方法预测城市需水量不失为是一种值得探析的方法。 1 bp算法原理 ANN是用非线性处理单元来模拟人脑神经元,用处理单元之间的可变联接强度(权重)来模拟突触行为,ANN中的每个神经元,从邻近于该神经元的其它神经元接受信息,也向邻近于该神经元的其它神经元发出信息。整个网络的信息处理是通过神经元之间的相互作用来完成的。知识与信息的存储,表现为神经元的相互连接关系,网络的学习与识别,决定于各神经元连接权的动态转化过程。对于所要解决的问题,ANN并不需要预先编排出程序来计算,它可以通过自学习来完成,并且有所创新;它可以从外部环境中不断地改变组织、完善自己,具有自适应和自组织能力;同时具有很强的鲁棒性和较强的分类、模式识别和知识表达能力,善于联想、类比和推理。 ANN具有多种类型,每一种形式的神经网络适宜于某类特定的问题。作为多层前馈网络典型代表的BP(Back Propagation)网络,通常是由输入层、若干个隐含层和输出层组成的,其拓扑结构见图1。BP网络的神经元变换函数通常是Sigmoid函数,它可以实现从输入到输出的任意非线性映射。 现以图1所示的三层网络为例,分析BP算法。 设输入神经元为i,隐含层神经元为j,输出层神经元为k,ni,nj,nk分别为输入层、隐含层、输出层神经元的个数,θjθk分别为隐含层节点j、输出层节点k的阈值,wij,wjk分别为输入层节点i与隐含层节点j及隐含层节点j与输出层节点k之间的连接权重,各节点的输入为x输出为y,BP算法步骤如下: (1)初始化。设已经归一化的输入、输出样本为: {xh,i,dh,k?(0,1)h=1~nh;i=1~ni;k=1~nk} nh为样本容量,同时给各连接权wij,wjk和阈值θj,θk赋予(0,1)区间上的随机值; (2)置h=1,选取学习模式对(xh,i,dh,k)提供网络(i=1~ni;k=1~nk); (3)计算隐含层节点的输入xj,输出 yj(j=1,2,,nj)xj=ni∑i=1wijxh,i+θj(1)yj(j=1,2,,nj)xj=∑i=1niwijxh,i+θj(1) yj=1/(1+e-xj) (2) (4)计算输出层节点的输入xk,输出 yk(k=1,2,?,nk)xk=nj∑j=1wjkyj+θk(3)yk(k=1,2,?,nk)xk=∑j=1njwjkyj+θk(3) yk=1/(1+e-xk) (4) (5)计算输出层各节点所收到的总输入变化时单样本点误差Eh的变化率 ?Eh?xk=yk(1-yk)(yk-dh,k)(5)?Eh?xk=yk(1?yk)(yk?dh,k)(5) 其中单样本点误差Eh=0.5nk∑k=1(yk-dh,k)2Eh=0.5∑k=1nk(yk?dh,k)2,下同; (6)计算隐含层节点所收到的总输入变化时单样本点误差Eh的变化率 ?Eh?xj=yj(1-yj)nk∑k=1[?Ek?xk?wjk]j=1?2???nj(6)?Eh?xj=yj(1?yj)∑k=1nk[?Ek?xk?wjk]j=1?2???nj(6) (7)修正各连接权的权值阈值 wl+1jk=wljk-η?Ek?xkyj+α(wljk-wl-1jk)(7)wl+1jk=wljk?η?Ek?xkyj+α(wljk?wl?1jk)(7) θl+1k=θl1k-η?Ek?xk+α(θlk-θl-1k)(8) wl+1ij=wlij-η?Ek?xjyi+α(wlij-wl-1ij)(9) θl+1j=θl1k-η?Ek?xj+α(θlj-θl-1j)(10) (8)置h=h+1,取学习模式对(xh,i,dh,k)提供网络,转回到步骤(3),直到h=nh; (9)重复步骤(2)-(8),直到网络全局误差函数 E=nh∑h=1nk∑k=1(yk-dh,k)2/2(11) 在以上的学习步骤中,步骤(3)-(6)为输入学习模式的正向传播过程;步骤(7)为网络误差的反向传播过程;步骤(8)-(9)则完成训练与收敛过程。将预测数据代入到已