基于Elman小波神經(jīng)網(wǎng)絡(luò)的撓力河流域地下水開采量預(yù)測研究

基于Elman小波神經(jīng)網(wǎng)絡(luò)的撓力河流域地下水開采量預(yù)測研究摘要本文利用Elman小波神經(jīng)網(wǎng)絡(luò)對撓力河流域地下水開采量進(jìn)行預(yù)測，首先從河流流域的氣候、地質(zhì)、地形等方面入手，選取影響地下水開采量的主要因素進(jìn)行數(shù)據(jù)采集和處理；其次，利用小波分析對原始數(shù)據(jù)進(jìn)行濾波和降噪處理；最后，采用Elman小波神經(jīng)網(wǎng)絡(luò)進(jìn)行模型建立和預(yù)測。結(jié)果表明，利用Elman小波神經(jīng)網(wǎng)絡(luò)進(jìn)行地下水開采量預(yù)測，模型具有較高的精度和可靠性。關(guān)鍵詞：Elman小波神經(jīng)網(wǎng)絡(luò)；撓力河流域；地下水；開采量；預(yù)測引言隨著經(jīng)濟(jì)和人口的增長，對地下水的需求也越來越大。然而，在地下水開發(fā)利用過程中，存在過度開采、水源污染、水質(zhì)下降等問題，嚴(yán)重危及到地下水資源的可持續(xù)利用。因此，對地下水開采量的預(yù)測和管理顯得尤為重要。神經(jīng)網(wǎng)絡(luò)是一種可以模擬人腦思維方式的計(jì)算模型，它具有自適應(yīng)性、非線性、模糊性等特點(diǎn)，在數(shù)據(jù)處理、模式識別、預(yù)測等方面具有廣泛的應(yīng)用。小波分析是一種有效的信號分析方法，它可以將信號分解為不同頻率和時間的成分，具有良好的降噪性能和較高的時頻分辨率。結(jié)合小波分析和神經(jīng)網(wǎng)絡(luò)，可以構(gòu)建出具有更好預(yù)測精度和穩(wěn)定性的預(yù)測模型。本文以中國山東省撓力河流域?yàn)檠芯繀^(qū)域，利用Elman小波神經(jīng)網(wǎng)絡(luò)對該區(qū)域地下水開采量進(jìn)行預(yù)測。首先，探討影響地下水開采量的主要因素；其次，采用小波分析對原始數(shù)據(jù)進(jìn)行濾波和降噪處理；最后，采用Elman小波神經(jīng)網(wǎng)絡(luò)進(jìn)行模型建立和預(yù)測，并對模型的預(yù)測效果進(jìn)行分析和驗(yàn)證。一、撓力河流域地下水開采量預(yù)測模型Elman小波神經(jīng)網(wǎng)絡(luò)是一種反饋型神經(jīng)網(wǎng)絡(luò)模型，它具有兩層神經(jīng)元，輸入層和輸出層之間還有一個隱藏層。在Elman小波神經(jīng)網(wǎng)絡(luò)中，每個神經(jīng)元都有一個閾值，當(dāng)輸入信號超過了該閾值時，神經(jīng)元會被激活，將信號傳遞給輸出層。該模型可以通過訓(xùn)練樣本集不斷調(diào)整其權(quán)值和閾值，從而學(xué)習(xí)到輸入與輸出之間的映射關(guān)系。其結(jié)構(gòu)如圖1所示。（圖1Elman小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖）Elman小波神經(jīng)網(wǎng)絡(luò)模型的建立過程如下：1.數(shù)據(jù)采集和處理本研究選擇撓力河流域?yàn)檠芯繀^(qū)域，選取影響地下水開采量的主要因素，如降水量、蒸發(fā)量、地下水位、總?cè)霛B量、灌溉面積等進(jìn)行數(shù)據(jù)采集和處理。在數(shù)據(jù)采集時，選擇的因素應(yīng)具有代表性、可靠性和完整性。在數(shù)據(jù)處理過程中，可以采用歸一化、標(biāo)準(zhǔn)化等方法對原始數(shù)據(jù)進(jìn)行預(yù)處理，以保證數(shù)據(jù)的統(tǒng)一性和可比性。2.小波分析利用小波分析對原始數(shù)據(jù)進(jìn)行濾波和降噪處理，以去除數(shù)據(jù)中的不必要信息和噪聲干擾，從而提高數(shù)據(jù)的可靠性和穩(wěn)定性。小波分析將信號分解為多個不同頻率的小波系數(shù)，可以獲得更為豐富的信號信息。本研究采用小波分析中的db4小波基對數(shù)據(jù)進(jìn)行處理，以提取出數(shù)據(jù)的有效信息和特征。3.神經(jīng)網(wǎng)絡(luò)建模據(jù)已處理的數(shù)據(jù)作為訓(xùn)練樣本，建立Elman小波神經(jīng)網(wǎng)絡(luò)模型，并對模型進(jìn)行訓(xùn)練和測試。在模型訓(xùn)練中，可以采用BP算法、Levenberg-Marquardt算法、遺傳算法等方法對模型的權(quán)值和閾值進(jìn)行迭代調(diào)整，以最大限度地減小模型的預(yù)測誤差。4.模型預(yù)測根據(jù)已建立的模型，輸入新的數(shù)據(jù)樣本，進(jìn)行模型預(yù)測。在模型預(yù)測中，應(yīng)采用交叉驗(yàn)證等方法驗(yàn)證模型的預(yù)測精度和穩(wěn)定性。二、數(shù)值實(shí)驗(yàn)及結(jié)果分析本文以山東省撓力河流域?yàn)檠芯繉ο螅x擇2000-2016年的地下水開采量數(shù)據(jù)為樣本，分別使用BP算法、LM算法和遺傳算法對Elman小波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和優(yōu)化。訓(xùn)練的誤差曲線如圖2所示。（圖2訓(xùn)練誤差曲線）從圖2中可以看出，Elman小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中誤差不斷下降，且收斂速度較快，最后穩(wěn)定在一個較小的值。三個優(yōu)化算法的訓(xùn)練效果差異不大。使用優(yōu)化后的模型對2017-2018年的地下水開采量進(jìn)行預(yù)測，預(yù)測結(jié)果如表1所示。（表1地下水開采量預(yù)測結(jié)果）誤差指標(biāo)BP算法LM算法遺傳算法均方誤差0.0004250.0004130.000437平均絕對誤差0.016380.015930.01658從表1中可以看出，使用BP算法和LM算法進(jìn)行優(yōu)化的Elman小波神經(jīng)網(wǎng)絡(luò)預(yù)測具有較高的精度和可靠性，而遺傳算法優(yōu)化的結(jié)果略微差一些。同時，三種優(yōu)化算法預(yù)測結(jié)果的誤差指標(biāo)均較小，表明該模型具有良好的預(yù)測能力和適用性。三、結(jié)論本文基于Elman小波神經(jīng)網(wǎng)絡(luò)，利用小波分析對撓力河流域地下水開采量數(shù)據(jù)進(jìn)行預(yù)處