基于matlab的神經(jīng)網(wǎng)絡(luò)洪峰預(yù)測(參考版)
2025-06-21 15:58本頁面
【正文】 本文所總結(jié)的結(jié)論有待進一步深入分析和檢驗。由于水位資料不足，對于可以利用本模型預(yù)報超過歷史洪峰的情況無法進行檢驗?！诘哪繕讼?，進行預(yù)報的比較好的預(yù)見期為12小時。(4)預(yù)見期越長效果越差。當=0時，亦即人工神經(jīng)網(wǎng)絡(luò)模型輸入單元全取為下游當?shù)厮粫r，的值雖然不及==3情況好，但即使預(yù)報18小時后的水位精度都可以達到《水文情報預(yù)報規(guī)范》(SL2502000)的乙等標準。(2)最好能均衡采用上下游水位作為輸入層單元數(shù)據(jù)當==3時，預(yù)報12小時后的水位精度都可以達到《水文情報預(yù)報規(guī)范》 (SL2502000)的甲等標準。 1996年6月24日柳子巷站洪水水位預(yù)報的值 1996年6月29日柳子巷站洪水水位預(yù)報的值 1996年7月2日柳子巷站洪水水位預(yù)報的值 1996年7月14日柳子巷站洪水水位預(yù)報的值從表3．1—3．4可以得到如下結(jié)論：(1)完全利用上游洪水水位預(yù)報下游洪水水位是不適合的。在預(yù)報過程中，分別就=3，4，…20小時，=6，=0,1，…，6，q=1等情況進行了計算。直接針對整體誤差作為人工神經(jīng)網(wǎng)絡(luò)模型目標函數(shù)的訓練算法，將以后給出研究。這里。3．2．4輸出單元數(shù)據(jù)的規(guī)范化考慮到利用S(x)=1(1+)作為人工神經(jīng)網(wǎng)絡(luò)的映射函數(shù)，此時S(x) (0,1), 故輸出單元的數(shù)值只能介于0到l之間，因此必須把輸出層單元的數(shù)值規(guī)范到區(qū)間(0，1)?？紤]到輸入單元數(shù)據(jù)的規(guī)范化是在過去已有數(shù)據(jù)基礎(chǔ)上進行的，為了顧及到在預(yù)測階段可能的超過歷史洪峰的情況，這里把輸入單元的數(shù)據(jù)規(guī)范在0．2到0．8之問，具體規(guī)范化方法如下。3．2．3輸入單元數(shù)據(jù)的規(guī)范化從文獻[58]可知，由于利用S(x)=1(1+)作為人工神經(jīng)網(wǎng)絡(luò)的映射函數(shù)，則當較大時，S(x)非常接近于0或1，從而引起S’(x)=S(x)(1一S(x))的值非常接近于0，導致人工神經(jīng)網(wǎng)絡(luò)模型在訓練時收斂速度過慢。由于我們追求規(guī)范中的目標函數(shù)最大值，相當于追求的最小值。（2）輸出層單元數(shù)據(jù)給定：如果想預(yù)報下游站當前時間間隔，?，后的洪水水位數(shù)據(jù)，則取 目標函數(shù)的確定1985年，中華人民共和困水利電力部頒發(fā)了《水文情報預(yù)報規(guī)范》，該規(guī)范制定了檢驗水文預(yù)報方案有效性的兩類方法—確定性系數(shù)法和許可誤差法。（1）假設(shè)上下游水位站水位等時間間隔為J的序列為{}和{}，t=1,2，?，為了建立徑流洪水水位預(yù)報人工神經(jīng)網(wǎng)絡(luò)模型，可按如下方法建立模式對。又由于利用當?shù)氐臅r間序列建模，也可以得到較好的預(yù)報結(jié)果，因此在做洪水水位預(yù)報時，當?shù)剡^去時刻的水位過程也是重要的影響因子。具體的洪水預(yù)報模型結(jié)構(gòu)及檢驗如下文。該預(yù)報模型為了提高網(wǎng)絡(luò)訓練速度和預(yù)報可能產(chǎn)生的超過歷史水位的情況，對輸入層和輸出層的數(shù)據(jù)給出了規(guī)范化處理方法。在應(yīng)用過程中，針對人工神經(jīng)網(wǎng)絡(luò)訓練的收斂速度改進，網(wǎng)絡(luò)層數(shù)及隱含層單元數(shù)的確定等問題，人們作了許多有益的探討。人工神經(jīng)網(wǎng)絡(luò)模型由于不需要事先針對具體問題給出模型結(jié)構(gòu)，以及不需要根據(jù)具體某個模型去設(shè)計參數(shù)的優(yōu)化算法，已被人們廣泛地用于解決各種實際問題。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。然而這樣做是件困難的事，不僅因為河道幾何參量不容易得到，而且就水動力學模型本身，以及數(shù)值模擬方法也存在一些無法克服的誤差。白上個世紀七十年代末以來，我國更是通過引進、吸收、改進和創(chuàng)新等手段，掌握和發(fā)展了一批水文預(yù)報模型[55,61]。我國開展徑流洪水預(yù)報工作也比較早。得到校正誤差與之后，沿逆方向調(diào)整輸出層至中間層，中問層至輸入層之間的連接權(quán)，以及各單元的輸出閾值．其調(diào)整量按式(2．8)～(2．11)計算j=1,2,…,t=1,2,…,k=1,2,…m,01（學習系數(shù)）i=1,2,…,j=1,2,…,k=1,2,…m,0 1(學習系數(shù))所謂訓練過程，是指反復學習的過程，也就是根據(jù)希望輸出與網(wǎng)絡(luò)實際輸出的誤差調(diào)整連接權(quán)的過程．而希望輸出實際上是對輸入模式分類的一種表示，是人為設(shè)定的，所以也因人而異．隨著“模式順傳播”與“誤差逆?zhèn)鞑ァ边^程的反復進行，網(wǎng)絡(luò)的實際輸出逐漸向各自所對應(yīng)的希望輸出逼近．對于BP網(wǎng)絡(luò)，其收斂過程存在著兩個很大的缺陷：收斂速度慢和存在所謂“局部最小值”問題．在學習過程中有時會發(fā)現(xiàn)，當學習反復進行到一定次數(shù)以后，雖然網(wǎng)絡(luò)的實際輸出與希望輸出還存在很大的誤差，但無論怎樣學習下去，剛絡(luò)全局誤差的減小速度都變得十分緩慢，或者根本不再變化．這種現(xiàn)象就是因網(wǎng)絡(luò)收斂于局部極小點所致．導致BP網(wǎng)絡(luò)這一缺陷的原因，是由于BP學習規(guī)則Madaline算法類似，采用了按誤差函數(shù)梯度下降的方向進行收斂，如圖2．2所示．圖2．2 BP網(wǎng)絡(luò)的非線性空間第三章 洪水水位的人工神經(jīng)網(wǎng)絡(luò)預(yù)報模型3．1引言對于汛期防汛抗洪來講，及時準確的徑流洪水水位過程預(yù)報是非常重要的，為此發(fā)展了很多的預(yù)報方法。按模式順傳播的思路用式(
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1