基于matlab的神經(jīng)網(wǎng)絡(luò)洪峰預(yù)測(編輯修改稿)
2025-07-15 15:58 本頁面
【文章內(nèi)容簡介】 的引入豐富了中長期水文預(yù)報理論，但由于信息模糊化帶有明顯的主觀性，使模糊分析的應(yīng)用受到了一定的限制。灰色系統(tǒng)理論[2]是鄧聚龍于1982年創(chuàng)立的，十幾年來發(fā)展較快。李正最[29]認(rèn)為灰色靜態(tài)模型GM(0，h)與多元線性回歸模型在模型形式與參數(shù)辯識、方法處理等方面是相同的，因此，兩種模型用于水文變量相關(guān)分析所得結(jié)果一致。馮平[30]等采用灰色系統(tǒng)理論中灰關(guān)聯(lián)度分析方法，對枯水期徑流量的預(yù)估模式進(jìn)行了探討。夏軍[31]基于時間序列多重信息利用的擴(kuò)維原理和灰色系統(tǒng)理論的關(guān)聯(lián)分析思想，提出一種適合于缺乏輸入因子資料或選擇影響因子有困難條件下的中長期水文預(yù)報方法。陳意平[32]等認(rèn)為GM(1，1)模型為水利系統(tǒng)的中長期預(yù)報提供了一種新方法。陳瑞[33]嘗試應(yīng)用灰色變基模型進(jìn)行長期洪水預(yù)報，經(jīng)過檢驗預(yù)報精度在95％以上。李才嬡[34]等以數(shù)值預(yù)報產(chǎn)品為基礎(chǔ)，用灰色關(guān)聯(lián)度分析了不同數(shù)值預(yù)報產(chǎn)品降水量預(yù)報的可信程度，應(yīng)用灰色預(yù)測方法建立了長江上游’“大流域面雨量預(yù)報模型，2001和2002年6—8月投入業(yè)務(wù)運行，24h、48h預(yù)報平均準(zhǔn)確率分別達(dá)84．5％和83．2％。傅鶴林[35]等嘗試在灰色預(yù)測的基礎(chǔ)上，與Markov鏈耦合建立了修正降雨量的理論預(yù)測模型，并進(jìn)行了嚴(yán)密邏輯推理，預(yù)測結(jié)果接近實際觀測結(jié)果，驗證了模型的正確性，為降雨量的預(yù)測提供了一種新途徑。1．3 存在的問題雖然水文預(yù)報無淪在預(yù)報技術(shù)、預(yù)報精度、理論等方面都取得了很大的進(jìn)展，但是在實際應(yīng)用上仍存在著許多問題。在預(yù)報技術(shù)上主要是制定預(yù)報方案過程比較復(fù)雜，沒有方便強(qiáng)大通用的模型系統(tǒng)，預(yù)報方法單一等。并且一般徑流洪水水位預(yù)報模型的建立，在不考慮下游回水情況下，都要利用上游水位(假使可以通過測量得到)和當(dāng)?shù)厮恍畔?，在事先給出的可行預(yù)報模型框架結(jié)構(gòu)下，利用觀測到的一定時間序列氏度的數(shù)據(jù)，在某種沒定的目標(biāo)函數(shù)下，優(yōu)化計+算出模型參數(shù)，然后利用這個模型去推測未來時刻的洪水水位。這里同樣存在著問題，基本上可概括為兩個，一個是模型框架結(jié)構(gòu)的正確確定并非易事，另一個問題是對于非線性模型來講，模型參數(shù)的優(yōu)化算法的設(shè)計是件困難的事。因此水文預(yù)報技術(shù)還有待于進(jìn)一步改進(jìn)。本文主要采用神經(jīng)網(wǎng)絡(luò)和自適應(yīng)遺傳算法針對采用《水文情報預(yù)報規(guī)范》中的確定性系數(shù)作為目標(biāo)函數(shù)，建立了根據(jù)上游和當(dāng)?shù)厮轭A(yù)報當(dāng)?shù)厝舾蓵r間后的洪水水位的預(yù)報模型。第二章 人工神經(jīng)網(wǎng)絡(luò)簡介 人工神經(jīng)網(wǎng)絡(luò)簡介人工神經(jīng)網(wǎng)絡(luò)是一種模擬人腦結(jié)構(gòu)及其功能的非線性動力系統(tǒng)，具有自組織、自適應(yīng)、自學(xué)習(xí)和較強(qiáng)的魯棒性與容錯性等顯著特點，對模糊信息或復(fù)雜的非線性關(guān)系能很好地進(jìn)行識別與處理。BP神經(jīng)網(wǎng)絡(luò)（Backpropagation Neutral Network）是目前應(yīng)用最廣泛的網(wǎng)絡(luò)模型之一，在水文預(yù)測預(yù)報等方面都有應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)是指基于誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)，一般由輸入層、輸出層和隱含層構(gòu)成。利用神經(jīng)網(wǎng)絡(luò)預(yù)測時，首先用訓(xùn)練樣本建立映射關(guān)系，然后用檢測樣本檢驗網(wǎng)絡(luò)能否給出正確的輸入輸出的關(guān)系。如果網(wǎng)絡(luò)模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好，在預(yù)測數(shù)據(jù)上表現(xiàn)不佳，則稱為過擬合；反之，則稱網(wǎng)絡(luò)具有很好的泛化能力。良好的泛化能力使神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有較高的實用價值。神經(jīng)網(wǎng)絡(luò)的應(yīng)用，已滲透到各個領(lǐng)域，并取得了令人矚目的成果。神經(jīng)網(wǎng)絡(luò)理論也已成為涉及多學(xué)科的新興的、綜合的、前沿的學(xué)科。2．2 誤差逆?zhèn)鞑ニ惴ǖ湫偷恼`差逆?zhèn)鞑?Back Propagation)，簡稱BP[46，47]網(wǎng)絡(luò)是三層前饋階層網(wǎng)絡(luò)，即：輸入層，隱含層(也稱中間層)和輸出層。各層之間實行全連接，如圖2．1所示。BP網(wǎng)絡(luò)的學(xué)習(xí)，由四個過程組成：輸入模式由輸入層經(jīng)過中間層向輸出層的“模式順傳播”過程；網(wǎng)絡(luò)的希望輸出與網(wǎng)絡(luò)實際輸出之差的誤差信號，由輸出層經(jīng)過中間層向輸入層逐層修正連接權(quán)的“誤差逆?zhèn)鞑ァ边^程，由“模式順傳播”與“誤差逆?zhèn)鞑ァ钡姆磸?fù)交替進(jìn)行的網(wǎng)絡(luò)“記憶訓(xùn)練”過程，網(wǎng)絡(luò)趨向收斂即網(wǎng)絡(luò)的全局誤差趨向極小值的“學(xué)習(xí)收斂”過程，歸結(jié)起來為，“模式順傳播” “誤差逆?zhèn)鞑ァ?“記憶訓(xùn)練” “學(xué)習(xí)收斂”過程。BP網(wǎng)絡(luò)學(xué)習(xí)規(guī)則有時也稱廣義規(guī)則。 三層BP網(wǎng)絡(luò)結(jié)構(gòu)模式順傳播過程是由輸入模式提供給網(wǎng)絡(luò)的輸入層開始的．輸入層各個單元對應(yīng)于輸入模式向量的各個元素．設(shè)輸入模式向量為: ,k=1,2…m。m 學(xué)習(xí)模式對數(shù)， n—輸入層單元個數(shù)；對應(yīng)輸入模式的希望輸出向量為：,q—輸出層單元數(shù)．根據(jù)M—P神經(jīng)元模式原理，首先按式(2，1)計算中間層各單元的輸入．式中—輸入層至中間層的連接全；—中間層單元的閾值；p—中間層單元個數(shù)。為模擬生物神經(jīng)元的非線性特性，以作為S函數(shù)（Sigmoid函數(shù)）的自變量，計算中間層各單元的輸出S函數(shù)的數(shù)學(xué)表達(dá)式（）所示： 把式（）代入式（）得：式中為中間層單元的激活值。單元輸出閾值是為模擬生物神經(jīng)元的閾值電位而設(shè)置的。按模式順傳播的思路用式(2．4)，式(2．5)計算輸出層各單元的輸入，輸出．式中—中間層至輸出層的連接權(quán)；—輸出層單元閾值；—函數(shù)。作為誤差逆?zhèn)鞑サ牡谝徊剑沁M(jìn)行誤差計算．誤差逆?zhèn)鞑ミ^程是由輸出層的
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1