《大学毕业论文---模糊系统和人工神经网络在洪水预报中的应用.doc》由会员分享，可在线阅读，更多相关《大学毕业论文---模糊系统和人工神经网络在洪水预报中的应用.doc（16页珍藏版）》请在金锄头文库上搜索。
1、模糊系统和人工神经网络在洪水预报中的应用模糊系统和人工神经网络在洪水预报中的应用 摘要这篇研究呈现了人工神经网络（人工神经网络）和模糊逻辑（FL）模型对于日常水库入库径流预测的发展。此外，线性回归（LR）模型也被开发为一个传统的洪水预报方法。为了证明人工神经网络和FL模型的适用性和能力，位于伊朗西南部的Dezreservoir水库被作为一个案例研究。结果证明ANNs模型能够提前一天预测水库入库径流，尤其是这种预测模式要比FL模型和LR模型要准确。研究发现人工神经网络模型预测洪水预报提前1天以上精度降低，同等条件下FL模型和LR模型提前4天而得到的结果与从佛罗里达州得到的相应测量值要比较精确。这
2、项研究的一个主要发现是：模糊逻辑模型通常低估了洪水，而其他两种模型预测洪水流量比较好。水位曲线的峰值,对于洪水防害是非常重要的，ANNs模型和LR模型对于短周期(为期一天前)的预测要比较好,对于长时间(如为期3天的洪水流量之前)的预测ANNs模型,LR模型和FL模型的误差分别在3%、4.5%和26%，事实证明LR和FL模型略优于人工神经网络模型。关键词:洪水预报;水库流入;模糊逻辑;人工神经网络;洪水;1 引言洪水预报是是水库管理系统最重要的任务之一。经济损失的大小取决于对洪水管理认识的重要性，一个高效的洪水警报系统不仅可以减轻洪水泛滥对于经济造成的损害，同时可以大大提高公共安全,。洪水预报无
3、疑是一个具有挑战性的领域,是一个推动时代产生巨大文学性发展的领域(Xiong et al,2001;Gopalcuinar and James, 2002; Chau , 2005; Tayfur and Singh， 2006);特别是降雨径流关系已被公认为是非线性的。虽然概念模型允许深刻理解其水文过程,但是在分水岭的研究中它的校准需要收集大量的物理属性 (例如,地形特征和河流网络、降雨和径流)，可能是昂贵的和非常耗时。由于先进的物理模型需求庞大的数据和相关模型的校准很长的计算时间，所以先进的物理模型进行实时预测可能不是很理想。由于洪水预警系统的目的不是提供一个明确认识的降雨径流过程中，主要
4、关注的是在适当的地点做出准确和及时的预测，一个简单的黑盒模型，然后识别输入和输出之间的直接映射的首选（Corani和Guariso，2004年）。此外，固有的输入和输出变量之间的非线性关系复杂流预测事件的尝试。因此，有必要改进预报技术。近年来，许多非线性的分析方法，如人工神经网络，模糊逻辑，遗传算法的方法已被用于在解决洪水预报问题。在过去的几十年里，人工神经网络（ANN）已越来越多地应用于水文预报（迈尔和Dandy，2000年），此外，他们的计算仿真和预测的速度非常适用在系统实时操作.Dawson和Wilby（1998）讨论应用人工神经网络在洪水易发小流域在英国，使用每小时水文数据流预测。Li
5、ong（2000）在孟加拉国的河流水位预测的人工神经网络实现，以获得较高的准确度。Ni and Xue（2003）建立了一个人工神经网络模型基于径向基函数（RBF）在安全圩田，中国长江洪水风险等级。Bhattacharya和Solomatine（2005年）建人工神经网络的和MS模型树与水位 - 流量关系模型在印度河上的巴吉拉蒂。艾哈迈德西蒙诺维奇（2005年）在休闲气象参数的基础上，在加拿大马尼托巴省应用人工神经网络预测人流高峰，红河径流历的时间和形状。Canada. Chau（2006）采用了粒子群优化模型训练的人工神经网络模型来预测在香港城门河的上游水文站的水位。Tareghian和Ka
6、shefipour（2006）开发了一个人工神经网络模型预测Karoon河在伊朗、Dawson等的日径流。 Dawson （2006）利用人工神经网络预测T-年一遇洪水事件和索引洪水在英国各地的850集水区。Wu and Chau（2006）采用一种基于遗传算法的人工神经网络（ANN-GA）在中国的渠道到达长江洪水预报。Pang 开发了一个基于ANI的非线性摄动模型（NLPM），定义为NLPM-ANI，以提高效率和准确性的降雨径流预报的目的。Chang提出了三种常见类型的人工神经网络MSA在台湾的两个流域的洪水预报系统的调查。自从Zadeh出版的有关扩展的传统模糊集理论之后，模糊方法已被广泛地
7、使用在许多领域的应用，如模式识别，数据分析，系统控制等。Hundecha表明，在地方提供足够数据的情况下，模糊逻辑（FL）的方法可以用来模拟实际的物理组件水文过程。Ozelkan Duckstein提出一个模糊的概念降雨径流框架处理概念降雨径流模型参数的不确定性。Cheng结合模糊优化模型与遗传算法来解决多目标降雨径流新安江模型校正的双牌水库。Luchetta and Manetti利用模糊聚类方法预测的实时水文模型的Padule di Fucecchio的盆地中北部意大利。Mahabir应用FL预测中东河流域，加拿大的季节性径流预测。Blazkova and Beven降雨和在捷克共和国的坝
8、址在一个大的流域排放连续统的模拟，使用FL估计洪水频率。Veronique通过在比利时的模糊的关系为Swam河流域的降雨输入Belgium. Rao and Srinivas测试的一个模糊聚类流域的区域化与在印第安纳州245水文站数据。本文的主要目标是通过这些复杂的方法得到模拟日常储放流入（例如，洪水事件）的计算智能工具（例如，模糊逻辑和人工神经网络）相比于传统的线性回归模型和相应的测量值。从而得到合适的方法预测洪峰的短期间（例如，提前1天）和长期（例如，提前4天）期间。2 人工神经网络人工神经网络经获得了普及，传统的分析方法表明，在大阵的工程应用性能较差。人工神经网络都表现出了良好的潜力，有
9、效地模拟复杂的输入输出关系中存在的非线性和不一致的噪声数据产生不利影响其他方法（Deka anc Chandramouli, 2005）。人工神经网络有能力从给定的模式捕捉关系，因此，这使它们非常适合解决大型复杂的问题，如模式识别、非线性建模、分类、关联和控制方案的解决。在实际应用中，一个三层前馈型人工神经网络通常被认为在一个前馈神经网络的输入量（Xi)被馈送到输入层的神经元，反过来，将它们传递到隐藏层的神经元（Zi)相乘后饰连接权重（Vij）（图中1）。隐层神经元增加了加权输入收到从每个输入神经元（Xi Vij ）及（bj）（i.e.,netj=XiVij+bj ）的结果（netj），然后被
10、传递通过一个非线性传递函数（激活函数），以产生一个输出，即f(netj)=1/(1+e-netj )的输出神经元做相同的操作，并隐藏神经元.反向传播算法找出最优权重，通过最大限度地减少一个预定的误差函数（E）的形式（(ASCE Task Committee, 2000）以下函数：其中：yi=i为组件的网络的输出矢量Y；ti=j为组件的目标输出矢量；T为n=n号输出神经元；P为训练模式。图1：人工神经网络的架构示意图在反向传播算法，最优权重会产生一个输出矢量Y=(y1,y2,yn)尽可能接近的目标值输出向量T =（t1，t2tn）预先选定的准确性。反向传播算法采用梯度下降法，随着分化的链式法则，
11、修改网络的权值作为（ASCE Task Committee 2000）其中：Vij=从第i个神经元在上一层在当前层的第j个神经元=学习率网络学习场的偏见调整的权重，它的神经元连接起来。在训练开始之前，网络的权重和偏差小的随机值相等。由于反向传播算法中使用的S形函数的性质，另外，所有的外部输入和输出值之前将它们传递到神经网络中的归一化处理。没有标准化，规范化，大投入的人工神经网络需要非常小的加权系数，这可能会导致一些问题（Dawson and Wilby, 1998）。人工神经网络包含三个不同的模式：培训，交叉验证和测试。在训练模式，训练数据集组成的输入输出模式提供给网络。通过一个迭代过程中，其
12、中的反向传播学习算法被用来寻找的权重，使得给定的输出和由网络计算的输出之间的差异足够小的权重被发现。然而在训练中，它是一种惯常的做法，进一步细分为两组，培训非国大的交叉验证集的训练数据集，根据数据的可用性在训练模式，训练均方误差（MSE）和交叉验证数据集是monitorec的共同的口蹄疫的最佳终止点为培养这种检查可避免过度训练。训练结束后，网络测试的测试数据集，以确定准确的网络可以模拟的输入 - 输出关系。3 模糊逻辑一般的模糊系统有四种基本成分，模糊化，模糊规则库，模糊输出引擎和去模糊化（图2）。模糊化的从属关系度的输入数据的每一块转换卜看看在一个或多个数的隶属函数。事实上，模糊逻辑中的核心
13、思想，是的津贴部分物品的任何对象的普遍的，而不是属于一组完全不同的子集。模糊器模糊推理机解模糊器模糊规则库 U上的模糊集合V上的模糊集合 图2： 模糊系统的完整示意图部分可以属于一组数值的隶属函数所描述的，它的值在0和1的包容性之间。这种直观的方法是使用相当普遍，因为它是简单的，来自先天的智力和理解人类。模糊隶属函数可以采取多种形式，如三角形，梯形，高斯和广义钟隶属函数。模糊规则库中包含的规则，包括所有可能的输入和输出之间的模糊关系。这些规则是IF-THEN格式表示的。在模糊的方法中，没有数学方程那么庞大的模型参数。在IF-THEN语句的形式的描述模糊推理过程中包括所有的不确定性，非线性关系，
14、或模型并发症。基本上有两种类型的规则系统，即Mamdani and Sugeno。根据正在考虑的一个问题，用户可以选择相应的规则系统。根据Sugeno型规则系统，随之而来的模糊规则的一部分被表示为一个数学函数的输入神经模糊系统（Sen, 1998; Jantzen, 1999），可变的，这样的系统是比较合适的。Mamdani型规则系统，但是，随之而来的模糊规则也作为口头表达。模糊推理引擎考虑到所有的模糊规则的模糊规则库，并学会了如何将一组输入到相应的输出。要做到这一点，它使用最小或产品激活运营商。激活的规则是扣的结论，可能降低其发射强度。产品激活（乘）尺度的成员曲线剪裁，保持初始形状，而不是他
15、们最小激活。Jantzen指出，通常来讲这两种方法显著有效。为了有一个很好的理解的方法，让我们考虑一个简单的例子，那里有两个输入变量X和Y（图3a，b）和一个输出变量Z（图3c）。对于这个简单的系统，模糊规则的假设：如果X是低和Y是低z为高;如果X是高和Y值高，则Z为低从图中可以看出图3，X一20是低和高的从属关系度是0.8和0.2，分别与不同的子集的一部分。同样地，Y = 30的低和高的0.4和0.6的从属关系度，分别为（图3b）的子集的一部分。模糊推理引擎会考虑以往的规则和分钟激活的模糊输出组高0.4发射强度从第一条规则（这个值是0.32产品激活）和输出低0.2发射的第二条规则强度（该值将
16、通过产品激活0.12）（图3c）。应当指出，推断不产生一个清晰的输出值，但整个模糊输出的子集分配到输出变量（图3c）。下一子推理过程中的组合物的子过程，其中所有分配到输出变量的模糊子集被组合在一起，形成一个单一输出变量的子集。为此，有两个基本的组成方法，包括：最大化（max）和总和（sum）。最大组成，联合输出最大的逐点所有分配给输出变量的模糊子集的推理规则模糊子集的构建。在总和的组合物，组合输出模糊子集被构造饰以逐点的总和对所有的模糊子集。因此，在总和组成的情况下，有时也可能得到真值大于1。需要注意的是必须遵循重心（COG）去模糊化方法（Jantzen, 1999年）的总和组成。图4a和4b本合并取得的最大和组合物前面的例子，模糊输出的子集。去模糊化是一个过程，其中的溶液集被转换成
