《岳城水库洪水预报人工神经网络模型实现》由会员分享，可在线阅读，更多相关《岳城水库洪水预报人工神经网络模型实现（6页珍藏版）》请在金锄头文库上搜索。
1、岳城水库洪水预报人工神经网络模型实现摘要：应用visualbasi6.0编程技术，实现了人工神经网络bp算法的程序化，并建立了岳城水库洪水过程预报的反向传播神经网络模型，经检验，洪水预测精度较好，结果令人满意，为岳城水库的入库洪水预报及调度工作提供新的思路和根据。关键词：人工神经网络BP算法VB程序洪水预报1前言人工神经网络ANN又称连接机制模型nnetindel或并行分布处理模型ParallalDistributeddel。作为人工智能的研究方法，目前已广泛应用于自然科学的各个领域，应用计算机程序来模拟这种特殊的数学模型并应用于实际流域的洪水预报研究中，无疑是一种新的尝试和有益探究。岳城水库
2、是海河流域南运河水系漳河上的一座大型控制性工程，入库洪水突发性强，水猛多沙，为确保下游河北、河南、山东、天津广阔平原地区和京广铁路的平安，对水库入库洪水进展准确预报，及时采取预泄和分洪措施显得极其重要，因此，用人工神经网络模型模拟预报水库的入库洪水过程，有重要参考和借鉴意义。2BP网络的构建人工神经网络是一个高度复杂的非线性动力学系统，它有大量的简单处理单元神经元广泛连接而成，他对人脑的功能作了某种简化、抽象和模拟，具有很强的非线性映射才能，其中对多层前向神经网络bp模型的研究相对成熟，应用最为广泛，其模型结果如图：构造中，输入层、隐层和输出层神经元的个数根据详细情况设定，其中隐层层数不一，不
3、失一般性对输出层中只含有一个神经元的三层前向神经网络分析如下：假设输入层中有个神经元，隐层中有个神经元，输出层神经元的输出，即整个网络的输出为Y，网络中输入层的输入分别为,，那么隐层神经元的输入分别是：(i=1,2,)(2.1)在上式中，为隐层神经元i与输入层神经元j的连接权，为隐层神经元的阈值，选择函数作为隐层神经元的激发函数,那么隐层神经元的输出为：(i=1,2,)(2.2)输出神经元的激发函数取为线性函数，输出层神经元的输出及整个网络的输出为：(2.3)其中，Vi为输出层神经元与隐层神经元i的连接权。定义由、组成的向量为网络的连接权向量(ij，i，i)。设有学习样本(，；)(=1,2,p
4、;p为样本数)。对某样本(，；)在给出网络向量后，可以通过公式(1.1)(1.3)计算出网络的输出值，对于样本定义网络的输出误差为：(2.4)定义误差函数为：(2.5)(ij，i，i)随机给出，计算式(2.5)定义的误差值较大，网络计算精度不高，在确定网络构造后，通过调整(ij，i，i)的值，以逐步降低误差，以进步网络的计算精度，下面给出根据误差信息调整(ij，i，i)的详细计算过程。在反向传播算法中，是沿着误差函数随(ij，i，i)变化的负梯度方向对进展休整。设的修正值为：(2.6)式中：为第n次迭代计算时连接权的修正值；为前一次迭代计算时计算所得的连接权修正值；为学习率，取01间的数；为动
5、量因子，一般取接近1的数。将式(1.4)和(1.5)代入式(1.6)中，有(2.7)定义=,，那么：(2.8)(2.9)(2.10)采用迭代式对修正计算，得到新的连接权向量。对于所有的学习样本均按照样本排列顺序进展上述计算过程，然后固定的值，对于p个样本分别进展正向计算，从而求出学习样本的能量函数值：(2.11)这样完毕了一个轮次的迭代过程，当满足某一精度要求时，就停顿迭代计算，所得(ij，i，i)即为最终模型参数，否那么就要进展新一轮的计算。3BP算法的VB程序实现因程序代码太多，不再给出。网络学习程序界面如下列图2：4洪水预报网络模型构建41资料搜集岳城水库的入库水文站为观台水文站，该站上
6、游有清漳河匡门口水文站和浊漳河天桥段水文站，距观台分别为66k和64k。上游匡门口、天桥段与下游观台的区间流域面积为1488k2，见流域水系图3。资料采用年鉴1962、1976、1977、1988年四次洪水和相应年份的区间时段降雨量共118组调查数据作为模型的学习训练样本，另取1971年和1982年两次大洪水作为模型的检验数据。42预报模型构建网络模型采用输出层中有一个神经元的三层前向人工神经网络，洪水预报模型的输出节点为岳城水库的入库站观台水文站的时刻的流量，即网络。考虑河道洪水演进时间和区间流域的产汇流时间，分别取清漳河匡门口站和天桥断以及流域平均降雨量、作为模型的输入节点值；隐层神经元节
7、点数和输入层节点数一样取为4。模型参数优化：计算中，学习率越大，学习速度会越快，但是过大时会引起振荡效应；动量因子获得过大可能导致发散，过小那么收敛速度太慢。据有关文献介绍，取，算法收敛速度较快。本次计算取，；网络中的初始值取(0.10.1)之间的随机数由VB程序产生。样本的归一化处理：为了有效利用型函数的特性，以保证网络神经元的非线性作用，对于数值型的学习样本要进展归一化处理。对样本(p=1,2,p)定义，归一化处理计算就是按照公式：(4.1)将样本转化为01之间的数据。对于网络的输出数据还应进展复原计算恢复实际值，公式为：(4.2)使用VB程序对网络模型进展训练学习，经102135次学习后
8、，网络输出能量函数值为3.210-3，此时得到模型最优参数如表1。表1模型参数表序号11.625608-2.361247-3.2047142.846384-2.718568-1.185164-1.02973620.138017-0.041076-0.6707810.8445030.936162-2.7469741.54636231.770369-6.0486571.1342710.7454760.58331-3.0635082.5033320.250.94-0.8183131.471144-1.4842650.875319-1.995911-2.6673082.0759745-1.973073
9、0.30147122.993124-0.160362-3.290356-1.59743-0.6270285模型检验应用以上该区洪水预报的神经网络模型参数分别对1982年、1971年的两次洪水进展检验预测，相应洪水过程趋势线见图4图5。表2预报考评指标表序号序号1982.10.0311982年前20h0.691982.20.00811982年后80h0.071982.30.040.51982年总过程0.191982.40.0421971年前11h0.719710.0611971年后50h0.12aver0.0361.11971年总过程0.23注：1.1982.1表示1982年大洪水的第一次洪峰，
10、其它类同。2.1982年前20h表示1982年大洪水的涨洪段前20h，其它类同。图41971年预测洪水与实测洪水过程线图51982年预测洪水与实测洪水过程线检验标准：1洪峰流量预报误,经计算、皆小于0.1，据?水库洪水调度考评规定SL224-98?，考评等极为良好见表2。2峰现时间预报误差，经计算考评等极为一般，其中一次良好。3洪水过程预报考评指标，从预报数据分析，两次洪水过程的预报考评0.23，根据标准属一般，从洪水过程检验指标可分析主要是因为模型对涨洪期低量洪水预报精度不高造成，但峰值附近及后期预报精度较高，可作为洪水预报的一项行之有效的方案。6结论岳城水库入库洪水过程的神经网络预测模型运行稳定，对峰高量大洪水预报较为准确，根据标准规定可作为水库自动测报系统的有益补充，为水库的防洪调度提供较为可靠的根据。参考文献：1焦李成.神经网络的应用与实现.西安：西安电子科技大学出版社，19932李春好等.人工神经网络bp算法的数据处理方法及应用.系统工程理论与理论,1997,17(8)3赵林明等.多层前向人工神经网络.郑州：黄河水利出版社，19994丁晶等.人工神经前馈(bp)网络模型用作过渡期径流预测的讨论.水电站设计,1997,135李正最.人工神经网络推算洪水流量的计算方法.四川水力发电,1997,166蒋宗礼.人工神经网络导论.北京：高等教育出版社,2001
