基于径向基函数网络的rbf模型在改善盐官潮头高度中的应用.docxVIP

基于径向基函数网络的rbf模型在改善盐官潮头高度中的应用 涌潮是潮波非线性变形的结果。它通常是一条从河口顶部向上推动的波序列。如果强度高，表面就会破裂并发展成一条被广泛推进的水滚动。世界上许多重要的河口都有涌潮，如巴西的亚马森河、英国的塞文河、法国的塞纳河、印度的胡格里河、中国的宋江和长江口。随着潮波来势激烈，行速恶化，污染扩散，整个河口的水环境和生态系统对河口河床的发育、海水的开采、污染物的扩散、河口区域的水生态系统的影响等。随着数值模拟理论的发展和高速计算机的开发，基于不规则平波方程的数学模型获得了大量的研究成果。然而，由于涌潮的物理机制非常复杂，该数学模型在实际应用中还存在许多问题。 人工神经网络是借鉴大脑和神经系统存储和处理信息的某些特征抽象出来的数学模型,具有很强的自适应、自学习、联想记忆、高度容错和并行处理能力,可以逼近任何非线性函数.自20世纪80年代以来,人们将人工神经网络作为一种崭新的数学模型用于非线性动力学系统的建模,并在许多领域中得到了成功应用.本文借助径向基函数(radial basis function, RBF)网络的强大功能,建立了钱塘江涌潮预测模型,以期描述涌潮与各影响因素之间的复杂非线性关系,为涌潮的模拟与研究提供新的思路. 1 rbf网络原理 RBF网络是一种前馈型神经网络,在逼近能力、分类能力和学习速度等方面较常用的反相传播(back propagation, BP)网络具有更优的特性.RBF网络由输入层、输出层以及1个隐含层构成,输入层节点只传递输入信号到隐含层,隐含层节点由RBF构成,而输出层节点采用简单的线性传递函数. 隐含层节点中的RBF对输入信号在局部产生响应,当输入信号靠近基函数的中央范围时,隐含层节点将产生较大的输出.最常用的RBF为高斯函数,隐含层节点的输出为 式中:x为n维输入向量,ci为第i个基函数的中心,σi为RBF围绕中心点的宽度,m为隐含层节点数.‖x-ci‖为x-ci的范数,通常表示x与ci之间的欧氏距离.相应的网络输出可表示为 yk=∑i=1mwikRi(x)yk=∑i=1mwikRi(x);k=1,2,…,p. (2) 式中:p为输出节点数,wik为连接权值. RBF网络的学习参数有3个:基函数的中心ci、宽度σi以及输出单元的连接权重wik.根据RBF中心的选取方法的不同,RBF网络有多种学习方法,如随机选取中心法、自组织选取中心法、有监督选取中心法、正交最小二乘法等.最常用的自组织选取中心法由2个阶段构成:一是自组织学习阶段,即学习隐含层基函数的中心与宽度的阶段;二是有监督学习阶段,即学习输出层权值的阶段.第一阶段的学习常采用K-均值聚类算法,通过假设若干聚类中心,利用训练样本进行反复调整,直至基函数中心的分布不随训练样本而变化.当ci训练完成后,可以求得归一化参数σi,对于高斯函数, σi=dmax/2m???√σi=dmax/2m;i=1,2,…,m. (3) 式中:dmax为所选取中心间的最大距离,m为隐含层节点数.第二阶段的权值学习可以采用梯度算法,通过不断调整wik使网络输出满足性能指标. 在RBF网络的训练中,隐含层节点数的确定是一个关键问题,传统的做法是使其与输入向量的节点数相等,显然,当输入向量较多时,过多的隐含层节点数难以接受.在Matlab中有一种改进方法,基本原理是从0个神经元开始训练,通过检查输出误差使网络自动增加神经元,直至输出误差达到要求,以求得最小数量的隐含层节点数. 神经网络是一种黑箱建模方法,除合理选择网络结构与优化相关参数外,其预测精度取决于主要影响因素的准确识别,还与样本的代表性与普适性有关. 2 影响因素的识别与样本代表性分析 2.1 潮差变化对潮波的影响 钱塘江涌潮的产生取决于2个基本条件:1)杭州湾的喇叭口使潮波能量积聚,潮差增大;2)乍浦以上的水下沙坎堆积,水深急剧变浅.如图1所示,近几年来,当大潮时高阳山下游的白腊礁附近已能见到初生的涌潮,在尖山附近存在形状清晰的波列,有时能见到破碎的潮头.当传至大缺口附近,涌潮强度往往达到最大,随后,涨落潮历时比值变化平缓,随潮差减小,盐官以上涌潮逐渐减弱,最终在闻家堰以上河段消失. 涌潮作为河口对外海潮波的响应结果之一,其强弱首先决定于下游潮汐的大小,而这种响应的特性受江道地形面貌与上游径流大小的影响.涌潮是潮波整体变形的结果之一,潮差愈大,潮流愈强,则潮波变形愈剧烈,涌潮也愈强.涌潮的强弱还受江道地形的影响,尤其是受八堡至澉浦河段(习惯上称尖山河段)的主槽平面位置的影响.由于尖山河段在平面上骤然展宽,涨落潮流路明显分歧,使得尖山河段的主流摆动频繁,在连续丰水年或大洪水时,易形成顺直河势(主槽贴北岸),在连续枯水年易出现弯曲河势(主槽贴南岸).当主