水利工程論文-人工神經(jīng)網(wǎng)絡(luò)峰值識別理論及其在洪水預(yù)報(bào)中的應(yīng)用.doc

水利工程論文-人工神經(jīng)網(wǎng)絡(luò)峰值識別理論及其在洪水預(yù)報(bào)中的應(yīng)用摘要：本文在總結(jié)大量洪水預(yù)報(bào)實(shí)踐經(jīng)驗(yàn)的基礎(chǔ)上，提出了一種峰值識別理論及相應(yīng)的改進(jìn)BP算法(ErrorBackPropagationwithPeakRecognizer,簡稱BPPR).該理論及算法在修改網(wǎng)絡(luò)權(quán)重時(shí)，偏重大值誤差，即大值誤差對權(quán)重的修改起主要作用.這種BPPR算法使人工神經(jīng)網(wǎng)絡(luò)洪水預(yù)報(bào)模型對洪峰的預(yù)報(bào)精度顯著提高，從而保證了洪峰預(yù)報(bào)的可靠性.關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)峰值識別理論洪水預(yù)報(bào)洪水預(yù)報(bào)作為非工程性防洪措施正日益受到重視，準(zhǔn)確及時(shí)的洪水預(yù)報(bào)為防洪決策提供了科學(xué)的依據(jù).人工神經(jīng)網(wǎng)絡(luò)模擬了人類大腦的結(jié)構(gòu)及其功能，從而具有對模糊信息或復(fù)雜的非線性關(guān)系進(jìn)行識別與處理的能力1,2.早期關(guān)于人工神經(jīng)網(wǎng)絡(luò)在水文水資源系統(tǒng)中的應(yīng)用與研究的進(jìn)展情況，文獻(xiàn)3有較為詳細(xì)、系統(tǒng)的介紹.其中，關(guān)于洪水預(yù)報(bào)的研究成果，大多處于如何應(yīng)用人工神經(jīng)網(wǎng)絡(luò)算法進(jìn)行洪水預(yù)報(bào)的階段，即如何將洪水預(yù)報(bào)的實(shí)際問題概化成人工神經(jīng)網(wǎng)絡(luò)可以識別的算法模型.近期的研究成果表明，研究的問題更加深入，如LINDASEE(1999)4將洪水過程分為上升段、洪峰段和下降段三部分，分別建立相應(yīng)的預(yù)報(bào)模型，充分考慮了不同階段的洪水過程其演進(jìn)規(guī)律的差異.Fi-JohnChang(1999)5引入洪峰預(yù)報(bào)誤差和峰現(xiàn)誤差作為洪水預(yù)報(bào)精度的評價(jià)標(biāo)準(zhǔn)，對于洪峰預(yù)報(bào)精度給予了高度的重視.能否保證較高的洪水峰值的預(yù)報(bào)精度，是將人工神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)洪水預(yù)報(bào)技術(shù)實(shí)際應(yīng)用的關(guān)鍵性問題.本文在總結(jié)大量實(shí)踐經(jīng)驗(yàn)的基礎(chǔ)上6,7，提出了一種能夠進(jìn)行峰值識別的改進(jìn)BP算法(ErrorBackPropagationwithPeakRecognizer,簡稱BPPR).該算法在修改網(wǎng)絡(luò)權(quán)重時(shí)偏重大值，即大值誤差對權(quán)重的修改起主要作用.這種改進(jìn)的BP算法使人工神經(jīng)網(wǎng)絡(luò)洪水預(yù)報(bào)模型對洪峰峰值的預(yù)報(bào)精度顯著提高，從而保證了洪峰預(yù)報(bào)的可靠性.1人工神經(jīng)網(wǎng)絡(luò)的峰值識別理論洪水預(yù)報(bào)主要是為防汛服務(wù)的，通常對洪峰時(shí)段的水位(或流量)的準(zhǔn)確預(yù)報(bào)尤為重要.但是，對于經(jīng)典的BP算法，網(wǎng)絡(luò)訓(xùn)練是根據(jù)全局誤差修改網(wǎng)絡(luò)權(quán)重的，這種權(quán)重修改方法很難控制洪峰水位(或流量)的訓(xùn)練精度，訓(xùn)練后的網(wǎng)絡(luò)權(quán)重所貯存的信息很可能更多地反映了樣本數(shù)量較大的中、低水位(或流量)的變化規(guī)律.所以，經(jīng)過訓(xùn)練的網(wǎng)絡(luò)對中、低水位(或流量)的預(yù)報(bào)精度相對較高，而對洪峰的預(yù)報(bào)精度往往低一些.如何提高人工神經(jīng)網(wǎng)絡(luò)模型對洪峰水位(或流量)的預(yù)報(bào)精度，是人工神經(jīng)網(wǎng)絡(luò)理論應(yīng)用于洪水預(yù)報(bào)的關(guān)鍵問題之一.本文是在結(jié)合實(shí)際課題廣泛研究的基礎(chǔ)上，提出了一種能夠提高網(wǎng)絡(luò)模型峰值識別精度的改進(jìn)BP算法.1.1峰值識別的基本思想經(jīng)典BP算法的訓(xùn)練過程由信號的正向傳播與誤差的逆向傳播兩個(gè)過程組成.其中，誤差的逆向傳播是基于網(wǎng)絡(luò)全局誤差并按“誤差梯度下降”的原則對網(wǎng)絡(luò)權(quán)重進(jìn)行修改.如果對原來基于“全局誤差”的權(quán)重修改原則進(jìn)行合理調(diào)整，使權(quán)重的修改傾向于減小輸出值較大樣本的網(wǎng)絡(luò)映射誤差，這是峰值識別原理的基本思想，其實(shí)質(zhì)是在誤差逆向傳播的網(wǎng)絡(luò)權(quán)重修改過程中，遵循了側(cè)重于“峰值樣本誤差”的權(quán)重修改原則.1.2峰值識別的算法峰值識別理論的實(shí)現(xiàn)方法，是在引入動量項(xiàng)和采用學(xué)習(xí)率自適應(yīng)調(diào)整的改進(jìn)BP算法4的基礎(chǔ)上，對峰值樣本的網(wǎng)絡(luò)誤差引入合理的修正系數(shù)，使網(wǎng)絡(luò)的權(quán)重向著使峰值訓(xùn)練誤差減小的方向修改.首先，從經(jīng)典BP算法開始.設(shè)有輸入為x1(t)、x2(t)、xn(t)的n維輸入，輸出為xL1(t)、xL2(t)、xLm(t)、的m維輸出和若干隱層組成的多輸入、多輸出人工神經(jīng)網(wǎng)絡(luò)模型.這里的t為樣本序列號，這樣的樣本共有P對.第l層中第i個(gè)神經(jīng)元節(jié)點(diǎn)所接收到的上一層輸入總和為式中：Nl為第l層神經(jīng)元節(jié)點(diǎn)總數(shù)；w(l)ij為第l層i節(jié)點(diǎn)與第l-1層j節(jié)點(diǎn)之間的連接權(quán)重；(l)i為第l層i節(jié)點(diǎn)的閾值.第l層中第i個(gè)神經(jīng)元節(jié)點(diǎn)的輸出為x(l)i(t)=f（y(l)i(t)）=1/1+exp(-y(l)i(t)(1lL,1iNl)（2）式中：f()為轉(zhuǎn)移函數(shù)，這里采用的是對數(shù)型的單極性Sigmoid函數(shù)；為決定Sigmoid函數(shù)壓縮程度的系數(shù).該系數(shù)越大，曲線越陡；反之，曲線越緩.則，當(dāng)訓(xùn)練次數(shù)為k時(shí)，網(wǎng)絡(luò)輸出層及隱層的誤差信號可表示為式中：d(L)i(t)為訓(xùn)練樣本的期望輸出.那么，網(wǎng)絡(luò)權(quán)重的修改公式為式中：(k)為訓(xùn)練次數(shù)為k時(shí)的學(xué)習(xí)率；為動量項(xiàng)系數(shù).以上為經(jīng)典BP算法的基本內(nèi)容.基于峰值識別的思想，實(shí)現(xiàn)網(wǎng)絡(luò)誤差修正傾向于輸出樣本的較大值，定義誤差修正系數(shù)i=di(L)(t)/d(L)max(t)（7）式中：d(L)max(t)為訓(xùn)練樣本期望輸出的最大值.為了進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練速度，改善網(wǎng)絡(luò)峰值識別的精度，可以在上述修正系數(shù)的基礎(chǔ)上，增設(shè)誤差修正放大系數(shù).那么，加入誤差修正系數(shù)及誤差修正放大系數(shù)后，當(dāng)訓(xùn)練次數(shù)為k時(shí)，網(wǎng)絡(luò)輸出層誤差信號的向量表達(dá)式如下應(yīng)用該算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練，能夠使峰值誤差修正占優(yōu)，從而提高網(wǎng)絡(luò)對峰值的映射精度.2應(yīng)用實(shí)例2.1工程概況及基本模型珠江流域西江段的水系關(guān)系比較復(fù)雜，如圖1所示.從柳州站、遷江站、南寧站或貴港站預(yù)報(bào)梧州站洪水目前還是一個(gè)難題.結(jié)合現(xiàn)有的研究成果，介紹洪水預(yù)報(bào)峰值識別理論的有效性.選取珠江流域從對亭站、柳州站、遷江站、南寧站預(yù)報(bào)江口站洪水的江口站洪水預(yù)報(bào)模型，分別以BP算法與引入峰值識別理論的BPPR算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練.以多年實(shí)測記錄數(shù)據(jù)為訓(xùn)練樣本，并采用下一年的記錄數(shù)據(jù)為測試樣本，即以1988、19921994、19961998各年的水位(流量)資料為訓(xùn)練樣本，以1999年水位(流量)資料作為測試樣本.圖1珠江流域西江段主要水情站及洪水平均傳播時(shí)間示意*傳播時(shí)間單位：h傳統(tǒng)相應(yīng)水位的洪水預(yù)報(bào)方法是根據(jù)天然河道洪水波的運(yùn)動原理，分析洪水波在運(yùn)動過程中，波的任一相位自上游水情站傳播到下游水情站的相應(yīng)水位及其傳播時(shí)間的變化規(guī)律，尋找其經(jīng)驗(yàn)關(guān)系，以此進(jìn)行洪水預(yù)報(bào)8.人工神經(jīng)網(wǎng)絡(luò)對信息的分布存儲、并行處理以及自學(xué)習(xí)的能力，決定了它具有對模糊信息和復(fù)雜非線性關(guān)系的識別與處理能力.網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)過程，就是網(wǎng)絡(luò)認(rèn)知事物內(nèi)在規(guī)律的過程.構(gòu)造基于人工神經(jīng)網(wǎng)絡(luò)洪水預(yù)報(bào)模型的首要問題，是如何將洪水過程合理地概化成人工神經(jīng)網(wǎng)絡(luò)可以映射的輸入、輸出關(guān)系.以上游干流和主要支流水情站的水位(流量)資料作為網(wǎng)絡(luò)模型的輸入，以下游水情站所形成的相應(yīng)水位(流量)作為網(wǎng)絡(luò)模型的輸出；同時(shí)，將下游同時(shí)水位(流量)作為網(wǎng)絡(luò)模型的輸入，以模擬下游初始水位的影響.洪水自上游水文站至下游水文站的傳播時(shí)間就是網(wǎng)絡(luò)對洪水的預(yù)見期.本題中所建立的江口站洪水預(yù)報(bào)模型中，作為江口站的上游水文站共有對亭、柳州、遷江和南寧等站，其中的遷江站處于干流河道.值得一提的是，對亭站方向的來水屬山區(qū)洪水，特點(diǎn)為量小、峰高、歷時(shí)短，洪水過程線陡起陡落，其結(jié)果是水位的變化非常大，而實(shí)際的流量又很小，這無疑會影響水位預(yù)報(bào)模型的識別精度.為了減少這種小支流的干擾，在建立水位預(yù)報(bào)模型時(shí)，未將對亭站的水位作為輸入項(xiàng).在