基于模糊优选神经网络bp模型的黄河蒙段凌情预报.docxVIP

基于模糊优选神经网络bp模型的黄河蒙段凌情预报 凌雨是河流中冰凌对水流的阻塞作用导致的一个上升现象。黄河内蒙段几乎每年产生凌汛, 这是由于它的特殊的地理位置、水文气象条件、河道特性决定的。黄河内蒙段每年冬春季节都有不同程度的冰害发生, 针对这种情况, 分析影响河流冰情的热力因素、动力因素、河势因素, 相对准确地预报封河、开河日期, 对防凌具有十分重要的意义。目前, 国外对封河、开河日期预报研究较多的是美国Clarkson大学的沈洪道教授, 主要依据热交换原理和冰水力学理论建立数学模型。国内在20世纪80年代末期与沈洪道教授合作研制了黄河下游封河、开河预报数学模型。黄河水利委员会水文局自己也先后建立了黄河下游和上游实用封河、开河预报数学模型。本文在分析影响凌汛的物理成因因素的基础上, 选取合适的预报因子, 运用陈守煜教授提出的模糊优选神经网络BP模型, 对封河、开河日期进行预报。 1 各层节点模糊目标网络结构模型 图1所示是一个3层的模糊优选神经网络系统, 输入层有m个输入节点, 即有m个目标, 隐含层有l个隐节点, 即有l个单元系统, 输出层仅有一个单结点输出。 设决策系统有满足约束条件可供优选的n个方案。方案的优劣根据m个目标特征值进行识别, 则有n个方案,m个目标特征值矩阵 X=(xij)(1) 式中:xij为方案j目标i的特征值,i=1, 2, \:,m;j=1, 2, \:,n 为消除m个目标特征值量纲不同的影响, 需要将矩阵X规格化。即分别对越大越优、越小越优目标特征值采用不同的规格化公式, 将矩阵X转化为目标相对优属度矩阵 R=(rij)(2) 式中:rij为方案j目标i的相对优属度,i=1, 2, \:,m;j=1, 2, \:,n。 在输入层节点i将信息直接传给隐含层节点, 故节点输出与输入相等, 即 uij=rij(3) 对隐含层的节点k, 其输入为 Ιkj=m∑i=1ωikrij(4) 输出为 ukj=1/{1+[(m∑i=1ωikrij)-1-1]2}=1/[1+(Ι-1kj-1)2](5) 式中:ωik为节点i;k的连接权重。 输出层仅一个节点p, 输入为 Ιpj=l∑k=1ωkpukj(6) 式中:ωkp为隐含层与输出层节点连接权重。 输出为 upj=1/{1+[(l∑k=1ωkpukj)-1-1]2}=1/[1+(Ι-1pj-1)2](7) 网络的实际输出upj就是模糊优选神经网络BP模型FSBP对输入rij的响应, 设样本j的期望输出为M(upj) , 其平方误差为 Ej=[upj-Μ(upj)]2/2(8) 调节网络中的连接权重使Ej最小, 应用梯度下降法。 隐含层节点k与输出层节点p的权重调整量公式为 Δωkp=2ηu2pjukj[(1-l∑k=1ωkpukj)/(l∑k=1ωkpukj)3](Μ(upj)-upj)(9) 式中:η为学习效率。 输入层节点i与隐含层节点k的权重调整量公式为 Δωik=2ηrijωkpu2kj[(1-m∑i=1ωikrij)/(m∑i=1ωikrij)3]δpj(10)δpj=2u2pj[((1-l∑k=1ωkpukj)/(l∑k=1ωkpukj)3](Μ(upj)-upj) 权重调整公式为 ωik(t+1)=ωik(t)+Δωik(t+1)+αΔωik(t)(11)ωkp(t+1)=ωkp(t)+Δωkp(t+1)+αΔωkp(t)(12) 式中:t为迭代次数;α为动量系数, 0α1。 模型式 (9) 、式 (10) 为模糊优选神经网络BP模型, 应用上述模型, 并根据通常神经网络的迭代算法, 可确定网络的连接权重值, 使实际输出与期望输出的误差最小。 2 黄河内蒙古段封河和开河日期 2.1 河势因素的影响 影响凌汛的三大因素是热力因素、动力因素、河势因素。热力因素主要有太阳辐射热、气温、水温、降水、降雪;动力因素主要有水位、流速、流量、大风;河势因素主要有河道比降、糙率、河面宽度、弯曲度。太阳辐射热是形成不同气候条件和气候变化的基本因素, 水温是大气与河流水体热交换的结果, 二者与气温密切相关。内蒙段冬春季节降水降雪较少。在过水断面不变的情况下, 水位、流速与流量具有函数关系。本文对河势因素未加考虑, 原因是河势因素相对变化不大。把热力因素、动力因素中的每个影响因子分别与封河历时、开河历时求相关系数, 根据相关系数的大小确定封河、开河日期的预报因子 (见表1) 。 2.2 预报结果及误差分析 收集到黄河内蒙段沿线四站 (巴彦高勒站-三湖河口站-昭君坟站-头道拐站) 的水情、冰情资料。昭君坟站未作研究, 这是因为该站在80年代不再隶属于黄河水利委员会, 后续资料缺失。由于篇幅限制, 本文仅提供三湖河口站开河日期预报的详细求解过程, 其他三站做类似求解, 预报