《神经网络在径流预测模型研究中的应用及软件实现》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
大连理工大学硕士学位论文神经网络在径流预测模型研究中的应用及软件实现姓名：孙英广申请学位级别：硕士专业：水文学与水资源指导教师：程春田20050301 摘要径流中长期预报的预测结果是制定水资源系统中长期运行方案的基础并可以广泛的应用在环境保护，防治洪水，干旱保护，水库调度、水电站运行、航运管理和水资源分配等领域中，其对水库和水电站运行调度具有极大的经济价值。但由于降雨径流内在机制的复杂性及人类活动的影响，而中长期预报的预见期又较长，所以径流中长期预报精度往往不尽如人意。人工神经网络作为当前最常用的人工智能算法，在水资源系统预报问题如：降水预报、径流预报、水质预测、需水量预测、电力负荷需求预测等方面获得了广泛的应用，为提高径流中长期预报精度提供了一条有效的途径。本文结合云南电力集团水调高级自动化项目进行了以下几方面的工作：l、运用人工神经网络模型对漫湾径流序列做出中长期预报，其结果与传统数理统计方法的预报结果进行了比较，表明了人工神经网络模型在水文预报中具有一定的优势。2、以漫湾径流实测序列为研究对象，在数值试验的基础上找到了适合于漫湾径流序列预报的人工神经网络预报模型结构，提高了该模型的预报准确性。3、在进行神经网络的训练时，有很多训练算法可供选择。每一种训练算法都有其优点和局限性。本文通过对基本的梯度下降算法、动量法、拟牛顿法、Levenberg．Marquardt算法和SCG算法的比较工作，得到了适合该神经网络模型的训练算法，既SCG算法，提高了预报的精度。4、结合云南电力集团水调高级自动化工程项目，将本文的人工神经网络模型应用到中长期水情预报软件系统中，取得了较好的效果。关键词：径流中长期预报；神经网络；$0G算法 AbstractTheresultsofmid—longtermflowforecastingarerequiredforeffectivehydropowerreservoirmanagementandscheduling．Theresultscarlbewidelyusedinmanyfieldssuchasenvironmentprotecting，floodcontrol，droughtprotecting，operationofreservoir,runningofhydropowerstation，shipmanagementandwaterresourcedistributionandshowhugeeconomicvalueinoperationofreservoirandhydropowerstation．ButtheprecisionoftheseresultsisnotsatisfactorytoUSbecauseofthecomplexityofintrinsicmechanismofrainingandflow,theinfluenceofhumanactivitytotheriverbasinandthelongperiodofanticit)ation．ArtificialNeuralNetworkisthemostusefulalgorithmcurrently,whichhasalreadybeenappliedinforecastproblemsofwaterresourcesystemsuchasrainingforecast，flowforecast，waterqualityforecast，waterdemandforecastandloadforecastandprovidesaeffectiveapproachtoimproveaccuracyofmid—longtermflowforecasting．ThefocusofthepapercombinedwiththeadvancedwaterresourcedispatchprojectofYunnanPowerGroupisasfollows：1、Anartificialneuralnetwork(ANN)modelwasdevelopedtoforecastriverflowintheManwanReservoir．Resultsfromneuralnetworkforecastingarecomparedwiththoseobtainedfromtraditionaltime-seriesforecastingandshowthattheANNmodelisabetterapproachinhydrologyforecast．2、Baseonnumericexperimentation，thestructureofANNwhichadaptstoflowofManwanReservoirisfound．ThisANNmodelimprovestheaccuracyofforecasting．3、TherearcmanytrainingalgorithmswhenwearetrytotrainanANNmodel．Everyonehasitsadvantageanddisadvantage．Inthispaper,thebestalgorithmisfoundthroughcomparingwithvarioustrainingalgorithms．4、CombiningwiⅡ1theadvancedwaterresourcedispatchprojectofYunnanPowerGroup，theANNmodelissuccessfullyappliedtomid—longtermforecastsystemofwaterresource．KeyWords：mid—IongtermfIOWforecasting：ANN：SOGalgorithm 神经网络在径流预测模型研究中的应用及软件实现第一章绪论1．1本文的选题背景水资源是人类赖以生存的自然资源之一。与其它资源不同，水资源是一种动态资源，它随着时间、空间的变化而变化。在我国，由于水资源在时间、空间上的分布极不均匀，造成某些地区干旱少雨，而另一些地区洪涝成灾。自1949年以来，我国兴修了大量的水利工程，在水资源综合利用方面发挥了很大的作用，但由于受水文预报水平的限制，不能准确地预报降雨和径流，减小了水利工程防洪和兴利调度可能产生的巨大效益。径流中长期预报泛指利用数学模型对预见期超过流域最大汇流时间的径流趋势进行预测。其预测结果是制定水资源系统中长期运行方案的基础并可以广泛的应用在环境保护，防治洪水，干旱保护，水库调度，水电站运行，航运管理和水资源分配等领域中，尤其对水库和水电站运行调度具有极大的经济价值。但由于降雨径流内在机制的复杂性及人类活动的影响，而中长期预报的预见期又较长，所以径流中长期预报精度往往不尽如人意．实际上，径流的形成系统是一个超大规模的非线性动力学系统，从预报的角度讲，如能建立描述该动力系统的动力学方程是最好的，但这几乎是不可能的，这主要是因为水文现象的发生和发展往往受到许多因子的综合作用，而因子和预报结果之间的关系有时很难用确切的函数关系描述。当前，中长期水文预报研究仍处于发展阶段，相对于短期水文预报而言，严重滞后于生产实际的需要。中长期预报模型虽然很多，但目前还没有一种模型对所有的水文序列来说都是适用的，预报模型的适用性至今仍是有待研究的问题，所以，对一个具体水文序列的中长期预报问题，目前较为有效地方式是通过分析、尝试和检验等步骤，最终找到合适的模型。人工神经网络是一门新兴的交叉科学，也是目前国内外研究十分活跃的前沿领域。人工神经网络是一个由简单信息处理单元组成的高度相关的网络系统，是非线性动力学系统，在水资源系统预报问题如：降水预报、径流预报、水质预测、需水量预测、电力负荷需求预测等研究的广泛应用中表现了如下优点：>人工神经网络的应用不需要基本过程的前期知识。》在研究应用中不需识别过程各部分之间的复杂关系。》人工神经网络即不需要约束，也不需要事先假定解的结构，它总是收敛于一个最优解。>它能并行处理快速处理大量信息。>它是高度非线性网络，具有良好的非线性逼近能力。90年代以来，人工神经网络在水文预报中的应用逐渐增多。国内外的专家 神经网络在径流预测模型研究中的应用及软件实现学者在这方面做了大量的工作，实践证明，人工神经网络强大的非线性特点和容错能力，使一些用其他方法难以获得理想效果的预报问题的解决成为可能，众多文献表明它在水文预报和模拟中的应用是相当成功的(请参阅1．3节人工神经网络在水文预报中的应用综述)。本文结合云南电力集团水调高级自动化项目，通过神经网络在径流预测模型研究中的应用及软件实现，并与传统的数理统计预报方法进行比较分析，深入研究了m4N模型在预测模型研究中的优势及不足。1．2中长期水文预报的研究现状综述中长期预报方法通常可分为传统方法和新方法两大类。前者主要有成因分析和水文统计方法；后者主要包括模糊分析、人工神经网络、灰色系统分析、小波分析、混沌理论以及这些方法的相互耦合，如模糊神经网络、小波神经网络、混沌神经网络、小波混沌神经网络等。传统的中长期预报方法主要有成因分析和水文统计方法，水文统计法通过对水文资料的统计分析进行概率预测，又包括两大类，一类是分析水文要素自身随时间变化的统计规律，并以此预测，如历史演变法、时间序列分析法等；另一类是用多元线性回归法或逐步线性回归法，建立预报方案，进行预报。目前应用较广的主要是时间序列和多元回归两种。河川径流的变化主要取决于大气降水，而降水又是由一定的天气过程形成的，即径流主要是一系列天气过程的产物。若能找到天气过程的长期演变规律，预报出长期降水过程，结合流域产汇流规律，便能做出中长期径流预报。这便是成因分析法的基本思路．笔者认为，随着遥感技术的发展，对全球天气资料的掌握会越来越全面，不仅范围广而且及时，加上大型计算机的准确快速分析，必将促进这一预报方法的突破性进展。遗憾的是，就目前的天气预报水平来说，还难以做出准确的中长期天气预报，这也成为该方法得以成功运用的最大障碍，所以人们不得不寻求其他的替代方法，对中长期水文现象做出预报。数理统计法是一种常用的定量预报方法。它依据大量历史资料，应用概率论与数理统计原理研究预测对象历史变化的统计规律，对对象未来发展进行预测。根据预测中依据的资料不同，可分为两类：一是单要素预测，即通过分析要素本身的时序规律进行预报，如历史演变法、周期叠加法、平稳时间序列、马尔可夫法、卡尔曼滤波法等：二是多因子综合预测，即分析要素与前期多因子之间的统计相关关系，然后用数理统计法加以综合分析，进行预报，如多元回归分析、逐步回归分析及多维时间序列等。数理统计法的主要特点是需要通过大量的资料来分析预测对象的演变规律。数理统计法由于模型简单、实现方便，在实际中获得了广泛的应用。 神经弼络在径流预测模型研究中∞应用及软件实璃模糊数学预测方法是从80年代开始发展趣来的新方法。陈守煜等【1112]在水裁、承文、承炎嚣与繇凌辩学领域中遘嚣了模凝嶷翡虚焉吾舅炎，著涛摸巍袋分褥与系统分析结合起来，形成了一个新的模糊随机系统分析体系。他们在研究中注意到：水文气象要素受到形成机制复杂性的制约，采用传统的精确性描述方法的能力缀低；东文水资源管理领域存猩大量鲍模凝链壤念，是系统的真实体域，热“旱、涝”，“丰、乎、糖”等；奁水文要素预报领域，经验率富的预报员麓够做出令人满崽的预报，而传统的数理统计方法难以容纳和描述人的经验，模糊数学则能够很方便地描述人的经验。1997年陈守煜ol又提出了中长期水文预报的综合分掇瑗谂疆式与方法，该方法将本文袋嚣分承、绞嚣努掇、横糨集分薮有糕浆结合起来，为提高中长潮水文预报的精度提供了一条新的途径。自1982年邓聚龙创立灰色系统理论以来，获色预测得到很大发展【4][5116][7】[8】。灰色系统预测方法认必“预测未来”本质上是个灰色6霉题，爨隽一个未出瑷瓣没有诞生豌未来系统，必然既有已知信息又有未知信息，显处予连续交纯的动态之中。它把观测数据序列看作随时间变化的灰色量或灰色过程，通过累加生成或累减生成逐步使灰色量嬲化，从而建立相应于微分方程的模型_并做出预报。灰色系统鑫予莛蒺墼特点，琵较逶台箕蠢攒数瑶长趋势熬海蘧，对予箕缝交纯憝努，会出现拟台灰度较大而导致精度难以提高的现象，而且灰色系统理论体系尚不完善，正处于发展阶段。它在中长期水文预报中的应用多属于尝试和探索性质的。小波分辑澡于Fourier分辑，楚Fourier分掇瓣额发震。从瓣一频分辑懿燕度出发，任一承文序列均禽有多种频率成分，每一频率成分都霄其自身的制约阂索和发展规律，因此仅从水文序列本身出发构造模趔，将难以把糖水文序列的内在机制，有必要对水文序列进行分频攀研究。两小波分析方法正好提供了一种便利筠露频分李厅技术。祆实菰痘秀中看，，l、波分褥在串长鬟拳文鞭溯疆究中静旋孀主要体现在以下两点【91I⋯J：>用于分析水文序列的变化特t隧，检测水文J葶列的周期。Eb于存在不确定因素葶|超魏随提波溪戆于撬，承文穿熨联囊露豹藩簸缝藏分一般缀难纛蕊戆从水文序列中枪测出来。通过小波变换，可{奠滤去部分随机波动的于抗，就肖可能测定水文序列的周期，这将比利用方差分析确定的周期更加W靠。》对东文序列的各擎争成分进行分解著逶过重构随枧模拟序列过程，从聪遴行有效静预测。小渡分析能籍交织在一莛匏不霜频率戒分缀或静复杂辩闻序列分解成频率不相同的子序列。基于小波分解和重构思想，将原序列分解成不同尺度下的小波系数和尺度系数，对分解所得的系数按实测资料展示戆攒期进行隧凝蒸橡，裁可戬获褥各穗套撵懿末文痔捌。需要指出的是，小波分析理论和方法还处于发展阶段，邋未成熟Ll“，冀在水 享毒经瓣终戎径流褒测壤麓辑究串熬应孀投软终窭溪文水资源中的应用才刚刚开始，还有许多工作有待深入。混沌理论认为，客观攀物的运动，除定常、周期、准蠲期运动外，还存在着一释更麓蔷速鹣运动形式一瀵淹运凌，帮一释垂确定浚系统产生懿、怼耪媲条俘麒有敏感依赖性、永不重复的、回复性周期运动。大多数水文现象的运动特征都舆有确定性的～面又具有随机性的一面，应用混沌理论，将能打破以往传统分析中单一熬磺宠瞧分援帮随撬控分辑，建立垮两者统一越来熬混沌分辑洼，镬承文工作有所突破。就水文预报颈测而言，睦i予混沌吸雩l予辩初始条件的敏感性，使得水文预测从短期到长期，相轨道的发散越来越大，信息损失越来越多，因此，混沌分析法应用在短期预测中的效果会避远优予长期预测【12】。国内外发表的文献表羁‘掂l￡弦1[151[‘61[171，潺淹疆论在承文中戆应焉还只滋行了一些裙步探索工佟，大多数新方法还未涉及。1．3人工神经网络概述【18l[19][20112‘l1．3，1人工裤经嘲络的基本涵义现代神缀生理学和神经解剖学的研究结果表明，人脑是及其复杂的，由约lO“个神经元交织在一起，构成一个网状结构。它g％燕成诸如智能、思维、情绪簿高缀摊经灞貔，被试受蔻最复杂、最究荧、最有效鹳一魏倍意簸鬻系统。人王神经网络(ArtificialNeuralNetworks，缩写触Ⅲ)戆对人脑若干藻本特性通过数学方法进行的抽象和模拟，是指模拟人脑神经系统的结构和功能，运用大量的楚莲部{孛，蠢入王方式麴遮戆阏终系统。神经网络理论突破了抟统的、线性处理的数字毫予计算机的局限，是一个非线形动力学系统，并以分布式存储和并行协同处理为特色，虽然单个神经元的结枣≈和功92极其简单蠢强，但是大量的耪缀元构成的网络系统所实现翰嚣热却是极其丰富多彩的。1．3．2人工神经网络的产生筠发展享孛经网终鹣产生发展史同对包含了概念剑耨帮实现开发麴进步。但是这些成就的取褥却并不是一帆风暇的。入工神经网络诞生半个多置纪醴米，经历了以下几个发展阶段。(1)奠蕊阶段替羟弼绣镞域聚究熬鬻豢王{乍楚予19毽纪束移20氆纪耪。它滚予耨理学、心理学和神经生理学的跨学科研究，主繇代表人物有HermanVonHelmholts，ErnstMach和IvanPavlov。这些早期研究主要还是着煎于有关学习、视觉和条件反射等一般理论，著没有惫含有关享孛经元工俸戆数学缓塑。现代神缀网络的研究可以追溯到20世纪40年代，心碟学家Warren 神经网络在径流预测模型研究中的应用及软件实现McCulloch和数理逻辑学家WalterPitcs从信息处理的角度出发，采用数理模型的方法，对生物神经细胞的动作进行研究，提出了形式神经元模型，称为MP模型。通过MP模型提出了神经元的形式化数学描述和网络结构方法，并从原理上证明了人工神经网络可以计算任何算术和逻辑函数，从而开创了人工神经网络研究的时代。在McCulloch和Pms之后，心理学家DonaldHebb在《行为科学》(TheOrganizationofBehaviour)一书中，明确提出了突触联系强度可变假设，认为突触联系强度是随前后神经元的活动而变化，从而说明了神经元连接强度是可修正的，提出了生物神经元的一种学习机制，为神经网络的产生奠定了基础。(2)第一次高潮阶段人工神经网络的第一个实际应用出现在20世纪50年代后期，FrankRosenblatt首次引入感知器(Perception)网络和联想学习规则。Rosenblatt和他的同事构造了一个感知机网络，它由阀值型神经元组成，试图模拟动物和人脑的感知和学习能力。试验表明，感知器通过训练可用作某些模式的分类器，这次早期的成功引起了许多人对神经网络研究的兴趣。同一时期，美国斯坦福大学教授BerhardWidrow提出了自适应线性神经元(AdaptiveLinearNeuron，简称ADALINE)，并与MarcianHoff一起提出了一个新的学习规则，称为Widrow。Hoff学习规则。此规则可减少训练过程中神经网络输出的误差平方和。自适应线性神经元及其扩展而来的多自适应线性神经元(ManyADALINE，简称MADALINE)，早期主要应用于模式识别、天气预报和自适应控制。人工神经网络第一个成功应用的实例是消除通讯中的回波。(3)持续阶段1969年MarvinMinsky和SeymourPapert出版了《感知器》(Perception)一书，该书指出：简单的感知器只能局限于处理线性问题，对于像XOR(异或)这样简单的非线性问题都无能为力。他们提出了构造含有隐层的多层感知器的方案，但对隐层神经元的学习规则并不清楚，并对此持悲观态度。加之当时VonNeumann数字计算机和人工智能正处于发展的黄金时期，暂时掩盖了发展新型计算机和人工智能新途径的必要性和迫切性，使人工神经网络的研究一度处于低潮。(4)第二次高潮阶段1982年，美国加州工学院物理学家JohnHopfield提出了Hopfield神经网络模型，引入了“能量函数”的概念，给出了网络稳定性的判据，并成功地解决了著名的“旅行商问题”，成为人工神经网络走向成熟的里程碑。1984年，他又提出了连续时间Hopfield神经网络模型，为神经计算机的研究做了开拓性的工作， 神经网络在径流预测模型研究中的应用及软件实现丌创了神经网络用于联想记忆和优化计算的新途径，有力地推动了神经网络的研究。1986年，D．E，Rumelhart和J．L．McClelland提出多层网络学习的误差反传播算法，实现了Minsky引入隐层的设想。这为多层感知机找到了一个有效的学习算法，从而吧人工神经网络的研究进一步推向深入。与此同时，基于VonNeumama原理的数字计算机在处理形象思维、语音图像识别以及联想记忆等模糊信息时屡受挫折，而神经网络能够处理模糊信息的特点使人们认识到人工神经网络的重要价值。(5)新发展阶段随着人工神经网络理论研究的不断成熟，神经网络的发展进入了一个新时期，应用研究也得到迅速发展，应用领域趋于广泛。进入20世纪90年代，人工神经网络作为新学科、新方法和新技术，在自然科学和社会科学各个领域得到了广泛的应用，取得了丰硕的成果。神经网络研究也随之得到飞速发展，各种网络结构和算法系统应运而生，逐渐构成了较为完善的人工神经网络理论体系。同时，人工神经网络的学术交流日益频繁，形成了良好的学术氛围。2l世纪神经网络理论日益变得更加外向，不断产生具有重要意义的概念和方法，推进神经网络向更高阶段发展。1_3-3人工神经网络的特点与传统的VonNeumann计算机相比较而言，人工神经网络具有以下几个突出的优点：(I)大规模的并行计算与分布式存贮能力传统计算机的计算和存贮是互相独立的，而在ANN中，无论是单个神经元还是整个神经网络都兼有信息的处理和存贮的双重功能，这两种功能自然融合在同一网络。ANN计算过程的并行性决定了其对信息的高速处理能力。(2)非线性映射能力ANN各神经元的映射特征是非线性的，有些网络的单元间采用复杂的非线性连接。因此，ANN是一个太规模的非线性动力系统，具有很强的非线性处理能力。(3)较强的鲁棒性和容错性由于信息的分布存储和集体协作计算，每个信息处理单元既包含对集体的贡献又无法决定网络的整体状态，因此，局部神经网络的故障并不影响整体神经网络输出的正确性。(4)适应、自组织、自学习的能力神经网络最突出的特点就是具有自适应性自组织、自学习的能力，它可以处 神经网络在径流预测模型研究中的应用及软件实现理各种变化的信息，而且在处理信息的同时，非线性动力系统本身也在不断变化，既可以通过对信息的有监督和无监督学习，实现对任意复杂函数的映射，从而适应环境的变化。(5)局域性一个神经网络通常由多个神经元广泛连接而成。一个系统的整体行为不仅取决单个神经元的特征，而且可能由神经元之间的相互作用、相互连接所决定，通过神经元之间的连接模拟大脑的非局域性，联想记忆是非局域性的典型例子。(6)非凸性一个系统的演化方向，在一定条件下将取决于某个特定的状态函数，例如能量函数，他的极值对应系统某个比较稳定的状态。非凸性是指某系统的能量函数有多个极值，或系统具有多个稳定的平衡状态，这将导致系统演化结果的多样性。1．3．4人工神经网络的广泛应用随着计算机技术的普及与发展，人工神经网络的研究与应用也取得了惊人的进展，涉及自然科学、社会科学、应用科学及综合性交叉科学等各个方面，取得了令人瞩目的成果，主要的应用有以下几个方面。(1)模式识别在模式识别方面的主要应用有：非线性系统识别、动态系统识别、图形和文字识别、卫星遥感图像识别、声音识别、模糊系统识别、化学过程的仿真与识别、医疗疾病的诊断等。(2)预测与预报在预测与预报方面的主要应用有：经济发展预测、银行汇率预测、股市行情预测、市场需求预测、天气预报、降雨径流预报、化学过程的仿真与识别、医疗疾病的诊断等。(3)优化问题电力输送的优化、大型混合问题的解决、能源的优化利用。水资源优化配置、水库优化调度、大型拱坝体型优化等。(4)神经控制基于神经控制网络的智能控制有：①工业过程控制，包括蒸气机的模糊控制、退火炉燃烧过程控制、冶炼炉的模糊控制、造纸过程控制、仿人智能温度控制器、电力系统控制；②运载工具控制，包括飞机机翼的倾斜和力矩控制、列车自动驾驶系统的模糊智能控制、汽车喷油系统的神经网络控制；③机器人的智能控制；④冰箱温度智能控制系统；⑤机械振动系统的智能减振控制；⑥大型结构的智能减振控制等。(5)智能决策和专家系统 神经两络在径流灏按《模型研究中的艨用及软件实现美豳BehavHeuristics公司应用自适应神经网络研制出一憋套航空管瑕与决策专家系统，实瑗簸黧蚊入熬警瑗、簸空枣场戆分掇帮该嚣、人力耱力戆臻亿分配与调魔：智能数据麾系统；专家系统中智能学习和判断分析系统等。1．3．5人工神经网络的发展趋势苏人工季孛经网终必代表懿连接寰义模式，孰大溪模并霉亍分布式售怠鲶壤弱菲线性系统的认知机理上来反映入脑信息处理和思维的本质。其发展的推动力来源于它特有的非线性邋I藏性信息处理能力。目前，人正神经网络正处于由简单的并{亍处理模烈褪制的掰宠戮对起变换§g力、变往礁璎避行深入的鞠严格意义数学理论分聿厅瀚研究，许多学暂正在对糖缀网络结构的熬体能力稻限铡迸行深入麓理论分析。(1)增强对智能朔机器关系问题的认识入熬暴有蒜知识潮、学习、联想、记辽、掺疆等餐缝，磷究久类智髭一囊楚科学发展中最有意义，也是空前豳难的挑战性问题。20世纪80年代中期出现了“连接主义”的革命藏“并行分稚处理(PDP)”，普遍地又被称为神经网络，它具有叁学霹、自适应秘基组织靛特焱，也是辨经瓣络疆究嚣癸遴一步增强瓣主要功能。借助量子物理学的内容，毽插量子场理论和孤立子系统来建立入赫认知的量子场域论模型，把人脑看做一个溉边的进化子慈统，具有无边的进化过獠，具有自足作用的孤立予系统。建立神缀系统的量子理论，是由史蒂文斯等人提出的瑾簿疆辩避论。毒孛经鬣予理论稷浚爱疲裁激变纯道程熬季孛经缝稳在撬筢上麓被分为各个单元或量子。构建多层感知瓣与自组织特征图级联想的复合网络，是增强网络解决实际问题能力的一个有效谂径。(2)探索更有效浆学习薪算法在当前人工神经网络学习算法中，都有一个冤法避免豹缺陷，就是在学习新的模式样本时，会造成已有的知识破坏。于是，在给定的学习误差条件下。人工专申经熙终必须对这些样本周而复始媳反复学习，不仅造成反复遮代次数多，学习靖阊长鬣，孺置荔陷入两部稷枣毽。蕊察入菰耪经系统豹学习遗程，劳没释在学习新内容时，要破坏融学习过知识的现象。因而肖必要进一步去构思更有效的学习新算法，以便能类似于生物神经网路那样实现知识的积累和继承。Amari在结梅位空溺鲮理论骚究方覆锻塞了繁溪豹瑟摆瞧z俸。德运震强分滚形理论镁建熬信息几何，首次将非线性空间研究的一个极其冀臻的工作，研究了神经网络模型结构在整个信息处理模型空间中的备种表示，所具有的变化能力和限制，为解释人脑神缀功能提供了一定的理论基戳，使得从整体结幸每上对章枣经网络进行分析成为可麓，为遗一步掏强更有效豹网络结鞫积学习舞法提供了强有力豹分享贾王其。(3)解决多功能多方法的转换问题 神经网络在径流预测模型研究中的应用及软件实现这种转换问题既多网络的协同工作问题，研究表明，单独的人工神经网络不能完成像人脑那样的高级智能活动。将这些不同的智能信息处理方法综合在一起，构成整体神经网络智能系统，必然需要在多网络之间进行工作协调。Hinton和他的研究小组，提出通过神经网络抽取模式结构为目标，形成外界环境在神经网络中的内在表示机理，并把其作为发展人工神经网络的基础，探索通过结构组合来达到完成具有更高水平的混合模型人工神经网络结构和非监督学习人工神经网络。另一方面，人们正在考虑基于生命模型信息处理技术的目的和意义，包括进化计算，人工生命等，研究者已经开始从分子水平上来揭示人类思维之谜，利用一些生物学上的发现来研究生物计算机。人的智能本质是由各种不同层次系统集成的复杂系统，人工智能的形成体现在各种系统的集成机理中，要形成对人脑并行处理的一般原理认识，需要从不同认知层次整体结构分析形成信息处理一般原理的认识。通过人工神经网络模型来解释和理解并行分布式系统的一般原理，揭示人脑的智能本质，还达不到人们的期望目标。目前，人们还不知道人工神经网络变换机理和在更复杂系统中的定位机理，不明确人工神经网络变换机理依赖的理论基础。人工神经网络依赖的是一种典型的非线性、非欧式空间模型。怎样把基于知识表示、非结构化推理、连接主义的非线性函数逼近和基于生命模型系统联系起来，是科学界面临的一个挑战。以探索智能形成机制为目标的AI研究者会越来越强调生物学约束的重要性，新的生物学发现会越来越多地作为原始素材被用于构建新的网络模型，而不是一味地被用来证明旧有模型的合理性。随着人工神经网络向更深入的认识模式发展，光、电技术和其他科学技术的突破，人工神经网络与传统方法结合，正酝酿着人工神经网络技术的新的突破。1．4人工神经网络在水文预报中的应用综述人工神经网络是基于连接学说构造的智能仿生模型，是由大量神经元组成的非线性动力学系统，具有并行分布处理、自组织、自适应、自学习和容错性等特点。人工神经网络的一个令人感兴趣的特性是它能在不了解具体物理机制的情况下提取输入与输出之间的内在关系。它能够提供一个多维空间到另一个多维空间的映射，这种映射关系通过一系列权重值给出。即使实测数据带有误差甚至错误，人工神经网络依然能够识别其潜在规则。这些特性表明【捌，人工神经网络可以很好的解决水文预测预报方面的问题。因此，90年代以来，人工神经网络在水文预报中的应用逐渐增多。1993年，蔡煜东【23】等采用Kohonen自组织神经网络模型研究了鄱阳湖年最高水位的分类预报问题。Hal一“]等设计了一个包含五个隐节点的三层前馈神经刚络，以美国地址勘探局的提供的5场降雨资料为研究对象，对径流迸行了预测。 神经网络在径流预测模型研究中的应用及软件实现其中前四场降雨数据用于训练网络，第五场降雨数据用于模型检验。该研究探讨了神经网络用于降雨径流预报的多种可能性。1994年，吴超羽【25J等认为人工神经网络模型具有生物神经网络的一些特性，能够“学习”，因此易于应用在各种类型的流域系统；人工神经网络模型是高度非线性模型，能够有效地模拟本质为非线性的实际水文系统；人工神经网络模型在预报期和预报精度上较对比性模型(CAR，RWTL，AR)有明显的优越性。1995年，钟登华【26I等提出了水文预报的时间序列神经网络模型，利用c语言编制了水文预报时间序列神经网络模型的相应计算机软件，并指出探索利用输入输出数据进行建模的方法是十分必要的。胡铁松[27]等对人工神经网络在水文水资源中的应用现状作了全面的介绍，并认为神经网络为一些复杂水文水资源问题的研究提供了一条有效的途径。Hsu[28l等提出了确定三层BP网络模型结构和参数的线性最d,-乘单纯形法(LLSSIM)，并认为三层结构的BP网络就能满足水文预报的一般需要。蔡煜东[29I等运用神经网络方法，以大伙房水库补水期的径流状况作为研究对象，尝试了使用神经网络模型进行预测的效果。结果表明该方法的预测成功率较高，容错能力强，可望成为径流长期预报的有效手段。张继群【30】等使用人工神经网络对龙羊峡电站下闸蓄水水情进行长期预报研究，并针对网络隐节点数难以确定的问题，提出了自动优选隐层节点数的新方法。H．Ramarl和N．Sunikumar[3lJ以人工神经网络对印度某水库月入流过程做多因子模拟，与统计模型对比表明：神经网络模型值优于识别出的AR(2)值；输入序列未正态化和标准化，网络学习既能成功。1996年，丁晶【32】等认为当前单纯地分别应用确定性和不确定性方法，面临许多无法妥善处理的困难，因此有必要探索一种新思路和新途径。新思路就是模拟人脑思维方式来处理极端复杂系统中出现的各种各样的问题(判别、分析、预测、控制、调度等)；新途径就是在人工神经网络理论的基础上，通过分析和计算，建立适应性很强的人工神经网络模型。1997年，胡铁松【33】等提出了径流长期分级预报的Kohonen网络方法，有效地克服了人为给定监督信号进行径流分级预报存在的不确定性给预报精度带来的影响。过渡期(5，6月份)的径流预测是个难题，丁晶【34】等尝试应用人工神经网络模型预报兰州站过渡期的月径流量，结果表明，人工神经网络模型用作过渡期径流预报可行，且效果优于多元回归方法。Tokarl35]和Markus设计了神经网络模型试图寻找径流与降雨、降雪、温度和前期径流等要素之间的关系，并使用该模型对Fraser河的月径流和Raccoon河的目径流进行了预报。预报结果与WATBAL及SAC—SMA模型进行了比较，比较结果表明，对Fraser河的月径流预报，ANN表现了比WATBAL模型更好的效果。对Raccoon河的日径流预报，从四个p麒N 神经翮络在经流预测模型研究中的玻瘸及软律实璐模型中选择的最优的模型表现了与SAC．SMA棚近的结果。1998年，泻鏊鬻[361等疆塞了澄予径滚影或辍理鹣戬时毅终末量与嚣麓径滚量为预报因子的前向多层人工神经网络径流预搬模型，分析了网络结构对预报精度的影响。陈科【37J将人工神经网络应用于二滩水电站降雨径流预报，效果良好，神经网络在洪水灏摄研究中嶷蠢重要价值。邱林[船】等撼臻了模糊模式识别神经两终颈溺模螫，开镧了褥经嗣终拓葑缩稳建壤豹耨思路。确定毪东文鞭溅的神经网络方法虽然白化能力具有最小熵优势，但存在一定的学习和泛化误羧，即无法覆盏水文预测中的不确定性信恩。此外，影响人工神经网络拓扑结构的因素众多，置参数蘧选瑾涂发震不甚竞装瞧裁终了A王毒枣经鼹络羧鍪俊势夔发糖，使之在应用推广方面遇到了一定的豳难．Dawson[39j和Wilby使用一个三层殷馈网络预测了Amber和Mole河流域的径流。这两个流域的面积约140平方公服。网终以历史经流与历史隧霹径流的乎均篷作为竣入。预测结果袭龌糖经网络模型表现了与璃存的需要大爨资料信惠豹预报系统靛鞠议的性能。1999年，刘国东【40】等从确定网络隐单元数、选择收敛凇则、加快训练速度网络预测精度等几个不同的方面搽讨了神经网络应用于水文预测方面的问题。指塞，矮子隶文预溅载三蒺BP弱络京在最佳豫繁杰数；联露务耱改进技术麴孳l入惩罚项可加快训练速度；神经网络模型与其他模溅相比具有较高的预测精魔。水文中长期预报精度会随着预见期的增长而减小，闽此，要对年裰流进行预测是非零困难憋，金菊良【411篱建立了年径滚预测蠡孽糖缀网终模型并使用薪疆伊掣淫黪雅马渡瓣23年的实测年径流资料≮相应的四个前期影确因予嶷溺数据对该ANN模型进行预报检验，效果理想。李贤彬【42]等提出了基于Trous子波变换序列的甜州组合预测模型，其中子波变换用于对ANN输出、输入数据的分解与熬构。CameronM．Zealandf431等嚣弱毒睾经疆络分蘩霹翻零大安太聚溪遣区麴溢愆{鑫溺1，2，3，4周的河道流量进行预测，通过敏感性分析来筛减网络输入因子效从而减少训练时间，效果理想。M．Campolo[44]等根据降雨采用ANN对慧大利Tagliamento海在暴麓期阕兹行戈爱应送行了分凝搬预溅。2000年，王文燕i4靼等构造了神经网络非线瞧时序模型，然后秘用该横翟进行单变鼹和多变量时间序列预报研究，并与传统的随机水文模趔一自回归模型进行了对比分析，结果表明神经网络非线性时序模溅具有良好的预报效果。徐中民【4壤等采麓BP神经蘸缭模鍪，淤莲魏瘫陵}霉爨溪滚蠛莺落获筝沟毫由遗表瀛爨为研究对象，对人工神缀网络方法在于旱地区径流预报中的应用进行了初步畿试。结果表明该方法的预报成功率较高，并分析了该方法在预报过程中的优缺点。卢华友㈣应餍BP网络横鍪，以丹江貉承库1930～1990年共61年戆年径滚序歹l为研究对象，在预报过程中，提出了应用复相关系数确定网络输入层节点数的方法， 神经丽络在径流獭测模型研究串酌庇用及软件实现在一定程度上避免了网络结构选撵的任意性，取得了较好的预报效果。Hol2erR。Maier盼砩等在其发表T--ggN透熬文章孛，营受，鬻述了ANN方法与数壤统计方法之问的关系，指出ANN"模型与传统数理统计模型本质上并无大的区别，然后，总结了使用m、『N方法的几个关键性问题，分别是模型性能评价标准的选择、数据资料的分害《、数据兹处理、模裂羧入的礁定、模型结构的确定、蟋终的训练、阚络豹检验等，接着，详尽的分褥了43篇扶92年至98年发表的神经喇络在承资源领域应用的论文，最后指出米来应在ANN模型权重敏感性分析、不确定性分析技术方法与ANN的结合方面避行更多的研究。2001年，诲拳瑭黔】等{夏薮疆擎鬈淫筑雅马浚滚23年煞实瓣资精羹季}究对象，利用神臻网络理论和技术，建立了旗于神经网络的径流中长期预报模型，经过检验，该模型预报结果精度高，模型可高，肖推广价值。Y．B．Dibike【5。】和D．P，Solomatine列雳多层蔻馈霹络及径悫基交数阏络黠委内璞按嚣南部懿Apure河流域稳流迸行预报，结果表硬，ANN幸#为～个黑箱模型，髓够穰荮的识剐输入输出之间复杂的非线性关系。2002年，覃光华瞵1增提出了一种改进的Bp鼹法。该方法采用两种策酶；一是袁载鬟掺浚公式孛潮入动量顼；二是学习辜憨是涎憨误羞的交往箨鑫逡褒谖整，也就是总误差增加时，学习率将减小，反乏举习率增大。以上两种策略能有效的抑制网络陷入局部极小并缩短了学习时间。以长江宜昌站1980—1985年六年款曩平均漩量资料必磷究对象，剥髑使用该算法鹃捧经网络遴幸亍洪本颈擐，缭果表鹱，该簿法的效果较好。许±剐152】等针对瘦糯神经弼络时隐单元数萄难叛确定的问题，提出了确定前馈神经网络隐节点数目模糊聚类分析方法，从而将神经网络结构的模糊优选成功应用到径濂预测中，实例验证说明，谯前馈神经瞬终中嫁接模耧聚类分接法谶霉子结穗饶逡，不需匪察诵练至||芟敛螽鞠裁调整，嚣楚麸隐层的本质出发，直接对样本数据进行特征提取，增加了网络训练的透明度，间时学习效率太大提高，结构优选的神经网络在水文分析和预测中县有较好的精度。蕈光华【s3j喾通过磅究，扶改经两终终褥豹隽度爨发，善次建立了萤缡差肇元粒递归神缀网络，并将它应用于径流预测。应用实铡表明，该锸构的网络模溅，通过改进的网络结构，能很好的克服原BP模型收敛速度慢，网络学习、记忆不稳定等缺点。拟合、预搬精度较原Bp模型有较大提高。马炼【54】嚣运用人工神经霹络萋零瓣理，戮海藤爨为基本影桶鬻子，菝系统的蕊点将降搿与径渡雩#为辘入输出联系越来，建立了流域年径流量的神经网络预报模型。在建模过程中，为了保证计算快速收敛，重新定义了权重增量的计算公式。从两个流域的应用实例资料验涯表明，攘型合理、可靠，具鸯较磐夔逶应瞧窝颈摄精度。王霾莲驿副等在奔绍神经网络各种训练算法韵基础上，尝试用自适应变步长(ABPM)法、阻尼最 神经刚络在径流预测模型研究中的应用及软件实现小(L—M)法和径向基函数(RBF)法等网络进行水文预报，并将这几种网络的计算结果进行了比较分析。仿真结果表明：选择ABPM网络可以大大提高水文预测的精度。刘少华【56J等介绍了混沌和神经网络的理论及其在水文中的应用，在此基础上分析了水文时间序列中嵌入维数和BP网络的输入节点数之间的内在关系，提出了用嵌入维数作为BP神经网络输入节点数的新方法。在实际应用中，计算了宜昌日径流时间序列的李氏指数和嵌入维数，确定其具有混沌特性，并用新的方法做了预测，同混沌局域预测法的预测结果的比较分析表明，结合混沌分析的神经网络方法效果明显较好。殷峻暹【57J等提出用遗传学习算法和权重调整BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型，即先通过遗传学习算法进行全局训l练，再用权重调熬BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，以新疆雅马渡站的实测径流资料和相应的前期4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量。结果表明，该方法具有收敛速度快和预测精度高的特点。张利平H副等基于时间序列和物理成因分析，将成因分析、统计方法与人工神经网络相结合，挑选出影星白山水库汛期入库流量的前期大气环流影响因子，建立了逐步周期分析模型和逐步多元回归与人工神经网络的耦合模型。预报实践表明，所建模型合理，预报效果好、精度高。2003年，王铃【59】等详细探讨了趾州应用中存在的几个关键问题，如数据前处理、过适应现象及其预防以及网络结构的确定等，提出采用增加监控样本的办法来预防网络的过适应现象，增强网络的概化能力。并以淮河流域为例，将经过改进的BP网络模型应用于流域日径流预测中，得到了较好的模拟精度。覃光华[60】等指出对传统神经网络的改进途径可以总结为三个方面，一是对网络算法的改进，二是对网络结构的变化，三是网络算法与其他方法的耦合。该文通过第一种改进途径提出了一种敏感型神经网络，通过在对构造样本时引入遗忘因子与期望因子的方法，以期达到充分利用资料信息的目的。此外，采用指数型能量函数作为目标函数，该函数对训练误差的变化更具敏感性，从而加快了网络的学习收敛速度。应用实例证明，该方法提高了预测精度，并避免了网络学习过程中的振荡现象。阎俊爱[61】等将遗传算法和神经网络相结合，提出一种年径流预测新算法一遗传神经网络优化预测方法。该方法综合遗传算法和神经网络的优点，在遗传算法优化神经网络连接权重的基础上再做年径流预测，避免了网络寻优的盲目性，从而达到了最优的拟合效果，有效的提高了预测精度和速度，有效的避免了传统人工神经网络在径流预测中存在的学习速度慢、收敛于局部极小点等固有缺陷。刘素--[“】等详细地介绍了径流预测中的非线性分析方法，阐述了人工神经网络模型在径流预报中的应用并给出了评价，特别论述了人工神经网络与小波理 神经网络在径流预襟l模型研究中髓随掰及软件实现论和混沌理论耦台的小波神经网络、混沌神经网络及混沌小波神经网络等方法。黄尧弱狰“等基于时润窿裂熬稳空润扩维思恕，翻羯耱经滔终戆惑秘器分类瑷瑾，提出一种直接从水文帮因素时间序列滑动生成移维空间的一个相型分布中寻求水文现辣变化规律的预报方法。利用湖北省宜昌市沮漳河洪水资料对该方法做了裙步验诞，缝果较好。2004年，金龙酬等针对褥经随臻方法在预报建模中存农的“过瓠含”现象和提高泛化性能问题，提出了采用主成分分析构避神经网络低维学习矩阵的预报建模方法。研究结果袭骧，这种新的{申经网络预报建模方法，激过浓缩预报信息，簿维去澡，嫠褥褥经瓣终粒颈掇建摸不需要送行避宜隐萤蠡数敬爱往疆终绥稳试验，没有“过拟合”现象，并且与传统的神经网络预报建模方法及逐步回归预报模型相比泛化能力脊摄著提高。张利平【65】等指出水文系统W认为是一种混沌系统。经潺滤涟特征熬京在表鼹经溅避程是具有低缀暖弓l子结梅懿龚线经礁定栏羲力系统，径流时闯序列是确定性水文系统在不阉时刻的特解的集合，它不怒系统的简单输出，而是包括了系统所有变量的过去信息，同时蕴含着大量关于系统未来演化的信息，因此镪流时间序列举仅真实刻划了产生径流的水文系统，褥且反映系统漤在毅弓l予戆缝秘疼{歪。该文将漫德重稳摆窆楚瑾谂繇害孛经瓣络摸黧稳结合，构遗了相空间神缀网络模型，衡效的揭示水文系统复杂的非线性结构，经实例研究初步表明，该模型应用在水文中长期预报中是可行的、合理的，数学分析工具更焚先送，寄缀好敬颈掇耱度彝应蔫价毽。WertruiHuang【6q等裂焉糖经隧络对位予美国佛罗璧遮州的Apalachicola河的翻径流、胃径流、訇径流、帮径流进行了预测，网络以降雨及径流资料作为输入，以径流为输出。该文将神经网络模型预测结果和ARIMA模型的预测结果做了众疆的比较分辑，结果表明，以预测篷与安骣藿熬稳关系数及臻方误差俸为评价标准，享孛缎溺络穰鍪表缆了范ARIMA模型更好的效果。D．NageshKumarE671等分别使用前馈神经网络(feedforwardnetwork)和回归神经网络(recI．Lrrentneuralnetwork)对印度某河流的月径浚邀行颈溅荠对逡灏耱网络逡嚣了魄较，毙较缝栗表鞠，颡妇鼹络在霹终绪秘比前馈网络更加简单，训练时间比前馈网络耗费惩少的前提下，达到了眈前馈网络更好的预测精度。l。5零文的研究背豢本文结合云南省漫湾水库的长系列径流资料，对人工神经网络在中长期水文预测方砸的应用进行了深入研究。(1>基本资料憾凝本文主要采用瀵湾水霹提供静径流资料：≯漫湾水库2001-2003共3年的日径流资料； 神经网络在径流预测模型研究中的应用及软件实现>漫湾水库1953～2003共51年的月径流资料：(2)水库及工程概况漫湾水库位于澜沧江流域，水库长约70公里，回水66公里处为小湾坝址，均为于高山峡谷地区。大坝采用混凝土熏力坝，坝顶全长449米，坝顶高程为999米，最大坝高为126米，共分22个坝段，其中河床部位布置溢流坝段，两岸布置非溢流坝段，坝顶宽10．17．5米，上游坝面在高程930米以上为垂直面，在高程930米以下坡度为1：O．2，下游坝面坡度为l：0．7，溢流坝下游面根据溢流曲线和消能要求拟定。澜沧江是一条国际河流，出国境后称为湄公河，整个流域位于东经940至1070，北纬10。至340之间。发源于青藏高原青海省境内的唐古拉山，流经西藏进入云南，于云南省南部流出国境。全河长4500公里，总落差5500米，流域面积74．4万平方公里。澜沧江在我国境内，河长约2000公里，落差5000米，流域面积17．4万平方公里。河流大体上由北向南流，纵跨十二个纬度。流域形状呈带状，流域平均宽度80公里。澜沧江在云南省内纵贯于西部，河段长约1277公里，落差1780米，流域面积9．1万平方公里。澜沧江流域内地形起伏剧烈，自然地理条件复杂，漫湾坝址以上河长1579公里，控制流域面积11．45万平方公里，流域平均高程4000米，坝址水面高程892米，库区内河道纵坡1．44％。澜沧江流域(国内部分)，雨季处于西风带和副热带环流的交汇地区，导致流域天气气候差异很大。坝址多年平均气温为19．IoC，极端最高气温为40．90C，极端最低气温一O．80C，年平均降雨量1004．5毫米，年平均降雨天数154天。流域年降雨和暴雨的空间分布，自北向南随流域高程的递减而增加。坝址处年洪峰一般出现在7月至8月，洪水过程为多峰型，涨洪历时为10天，退洪历时一般为16天，其特点是峰高量大。流域内径流以降雨补给为主，融雪补给约占10％，径流年内分配与降雨的年内分配基本相同，主要集中在6月至9月，约占年降雨量的70％左右。坝址处年平均流量1230秒立方米，年水量388亿立方米，水量丰沛。由于流域上游四月至五月融雪，所以径流流量比较稳定，有利于作出比较准确的中长期预报。1．6本文研究的主要内容笫一章绪论论述了选题背景和研究意义，介绍了中长期预报的研究现状，简要阐述了人工神经网络的涵义、特点、应用、历史等情况以及未来的发展趋势，概述了人工神经网络在水文中长期预报中应用的研究现状和研究进展，最后阐述了本文研究的背景和主要内容。第二章平稳时间序列法在漫湾径流中长期预测中的应用详细介绍了平稳时间序列模型的原理，并将该模型应用在漫湾径流月预报中。 神经网络在径旒预测模型研究中的应用及软件实现第三章神经网络模型在漫湾径流中长期预报中的应用详细介绍了人工神经网络的基本原理，阐述了多种神经网络训练算法的基本思想及其实现步骤并利用漫湾径流资料对各种算法的训练效果进行了比较分析，同时，进行了大量的数值试验尝试找出适合漫湾径流序列预测的神经网络模型结构。最后利用该神经网络使用SCG训练算法对漫湾径流序列做出预测并与平稳时间序列模型的预测结果进行了比较，结果表明人工神经网络模型的预测结果具有更高的准确性。第四章水情中长期预报系统的软件实现详细介绍了水情中长期预报系统的系统结构和主要界面设计。阐述了各种模型与系统的集成方式。第五章总结与展望概括总结本文的主要研究内容以及取得的成果，并对有待迸一步研究的问题进行了展望。 神经网络在径流预测模型研究中的应用及软件实现第二章平稳时间序列法在漫湾径流中长期预测中的应用2．1平稳时间序列法简介平稳时间序列法是传统预报方法时间序列分析法的一种。其方法原理简单，实现简便，在实际预报问题中得到大量的应用。其基本原理如下【68】：假定某一水文要素的时序演变过程是一个随机过程现实(_，f=1，2，¨．，n)，并且属于平稳随机过程，具有各态历经性质，其参数为可数时间变量，简称平稳时间序列。根据各态历经平稳随机过程的性质，可由水文要素一个随机过程的现实，计算它的前后不同的时间间隔(间隔长r)下的相关函数，因为相关函数不随时间变化，所以可根据这种关系建立一个水文要素自身前后期线性关系模型，或称自回归模型AR(p)：^Xt“=b、X：七b辽：^+⋯+bpXt—p(2．1)式中一m是未来一个时间间隔的水文要素预报值；石，墨。．．，噩。为前期水文要素量；bl，岛，¨．，b。为预报系数(或称回归系数)；P为阶数。若预报系数确定，便可据模型(2—1)式，由前期要素量预报后期的量，这就是平稳时间序列外推法的基本思想。1、平稳时间序列统计特征值的估算设平稳时间序列墨，墨，．．，掣，¨．，Z，其统计特征无偏估计值的计算公式：均值方差i：三争xn智《丢喜(墨__)2为简化计算，用葺=一一；表示离均差或距平值(以下皆同)。协方差函数：(2．2)(2．3)R=圭蕃n-k(掣__)(戳。-_)(2-。)=击喜置吼。 毒孛缝尉缝在镪滚臻测模型研究孛翦应用及软转宴斑女=o，1⋯2。麸嚣=《稻荚函数rk=盈，《=Rk，蜀ro=12、建立预报系数方稷组计算出相关函数rk，k=O⋯1．．，P；P《n看，便可建立预报系数方程纽。不失一般性，以建立p----3阶方程组为倒(注：各数值皆以距平值表示)，设未来^预报值为Xi¨，与其前三个时刻数值置，坞。置一：有关，预报方程为A爿⋯=biX；+6z墨l+如稚2(2-6)妲方程系数懿估计方法舂三耱，即矩售≥}法、最小二豢恁计法、最小平方謦珏估计法，下面采用最小二乘估计法。^巍(2．6)方程鞭擐懿善一德与实测僮五。之蠲存程误差，穆残差，静e=墨“一Z“a依最小二乘法估计的准弼<亦残蓑平方和最小礁则)_|藏有rninfQ：∑《：∑(置。一(6I五十屯置+，+岛置。)zl(2_7)其中Q残差平方和题系数bl、b2．b3、函数，若使Q最小，由数学分析的极傻原理得知，熙要分别求出Q对bI、b2，b3，的偏导数，并令塑：坦：盟：o髓媳强即可得到求解系数方程组如果自回归系数阶数p)3，则bI屯，⋯，6r系数求解方程组为(2-8)“▲Y叫II一一II嗯嗯也”铲幔1}+”酸幔，●●●●●●●，、，●●●【 {孛经瓣鳃羟径渡预测摸整孵究孛翦班弼擞软佟窭蕊b{+qb2+r2b3+⋯+01bp=qlb{+b2+萎b3+⋯晦．2bp2龟r2b1+qb2也+⋯+rp嘶b---r3‰b{+每2b2乜+拍3+⋯+b}飞3、系数线性方程缓静熊法线性方裰组(2．8)和(2．9)的求解方法比较多，例如消去法，迭代法等。但因这类方程组中P个实数1，，l，吃，⋯％完全确定，凼其组成得矩阵R正定，称秀Toepli经簸薄，霹逮箍黎簿。“递推”鼹指m+l阶方程(2．9)的解，可由第rn阶方程(2．9)的解递推得到。这种辫法乘加的运算工作量正比于m2，和用逐步回归直接求解的算法总遮箕量寂相魄，速度提惑了～个数量级，存储量有镲入麴节省。下面，戳m=l，2，3，阶为饿，说明如俺秘用Toeplitz矩簿的性痿，递捺球解(2—9)方程。记m阶方程(2-9)的解bk为k(≈=l，2，⋯，小)，前下标为方程阶数，后下标为系数痔，在黻=l，2，3辩，鸯f62l+^屯=Il‘621十b22=恐}岛l{_蕞岛2+t毽3=蕞{五63f+岛2+^岛，=％lt63，十^岛2+岛：=奠对于琳一l羚方程，蒸瓣茏疑就是；b11=_若m=2阶方程组，其解也很容易褥到：(2．10)(2．11)(2．12) 神经弼络在径漉预测模型研究中敦应爨投款传史理j培寄=谢162，=_一l岛。=bt．一b1．·也：可觅已知bl，籍便可狠毒趣2，b2，。潜m=3阶方稷组，即(2．12)式中的前两个方程可改写为据方程(2．n)得(槲㈡份呓(1一如)1一^2％一I‘l一只‘(鞘乏)吨(鞘摭㈢沼渤将式(2．13)代入(2．12)的最箭～个方程，黧理后得驴精协t。，因此，算出％，％詹，据(2—13)和(2*t4)式可递推到三阶自回归系数的估计值玩，，岛：，‰。假如已经褥到m酚方程熬瓣‰，‰：，卤赢，剩建上述棼法，哥递摆缮到(m+1)阶方程的解：f‰+l_∑‰‘。．^|‰舢+，=——掣—～1l一∑k吒【瓦．“^=k～k扎M‰，m☆k=1⋯2，。，m(2。15)瘗遂式(2。15)雄密方程缀匏系数，代入溪攘方程式(2一1)，霞可遴毒亍羲壤。‰嘶一I吃}|一一蟓咖I}+l‰俩，●●●f，，L 神经网络在径流预测模型研究中的应用及软件实现2．2平稳时间序列法在漫湾径流中长期预报中的应用平稳时间序列模型的阶数P代表了该模型前期影响因予的数目，其值的选择主要与具体径流序列的内在规律有关。作者在云南电网高级水调软件水情预报子系统研究报告中详细比较了选择各种不同相关系数的阶数P时，平稳时间序列模型的预报精度，发现在对漫湾径流序列进行预测时，平稳时间序列模型的阶数P为3时的预报效果最好。因此，此处取平稳时间序列模型的阶数为3。因为神经网络模型预测时采用的样本数据为进行了规格化处理的数据，为了使平稳时间序列的预测结果能够更好的与神经网络模型做比较，平稳时间序列模型采用的样本数据采用了同样的规格化处理数据。具体的处理方法参见第三章相关内容。用平稳时间序列模型进行月径流预报时选择1953年至1993年的数据共492个径流样本进行模型参数率定(图2．1)，选择1994年至2003年的数据共120个样本点用于对平稳时间序列模型的预报结果进行验证，平稳时间序列模型预测值与实际值的相关系数R为O．84，均方误差RMSE为O．108(图2-2，图2-3)。图2-1平稳时间序列模型参数率定Fig2-lTheresultsofparameterscalculatingoftime—seriesmode趔璃啦薯格染 神经网络柱径流预测模型研究中的成用敷软伴实现图2-2平稳时间序捌模婺!检验戳g2-iTheresultsoftime-seriesmodelforecasting麴2-3平稳时峰序梦I模型预测糖度Fig2-3Thepredsionoftime—seriesmodelforecasting*22．蝌糕辩苹辩}鞯耱遵罐 神经网络在径流预测模型研究中的应用及软件实现表2-1平稳时间序列模型月预测值与实际值对照表Table2-1ComparisondiagramofmonthlyflowbetweenTSmodelforecastedandactualmeasured序号时间实际值预测值序号时间实际值预测值1994—11994—21994—31994．41994．51994．61994．71994．81994．91994-101994．111994．121995．11995—21995．31995．41995．51995．61995—71995．81995—91995．101995．1l1995．121996—11996．21996．31996．41996—51996—61996．71996．81996．91996-lO1996．111996-121997．I1997—21997．3—0．91246—066075401997-4-0．89899—05036l-0．91835—0．85816．0．79545．0．64562．0．29209．03931．0．45623．0．50253-0．76852．0．89352-0．94318．096212．0．97138-0．95833．0．90067．O．51094．0．493690．069865．O．12374—0．04798—0_31734—0．65404—0．83502。0．90362．0．91919—0．85774．0．75379—0．69234．0．548820．0740740．010943．0．14478．0．35943—0．71254．0．86322—0．91919．0．94655．0．92172-O，59598_o．53851．0．44593—0．39005．0．26710．04702．0．1538l—O|3-o．3-o．505767l816-0．62977—0．57939．0．55266．0．5439．0．52356-0．46464．0．08497．O．14393O．30130．01631．0．05111．0．2743—0．59596—0．64489—0．58347。0．53333—0．44809—0．34791．0．32054—0．217180．369460．16817—0．17011．0．34341．0．61884．0．65i57．0．57697．0．54988．23．1997—51997—61997-71997．81997．91997—101997．1l1997．121998—11998-21998-31998．41998-51998．61998—71998-81998—91998101998．111998．121999．11999．21999—31999-41999—51999．61999．71999—81999—91999．101999．1l1999．122000—12000-22000—32000．42000．52000．6．0，69823—0．456230．133田．38384．0．28662．0．45034．0．80345-0．89141．0．92088．0，94024．0．8931-0．77652．0．54167．0．547980．242420．55556O．32197．0．4718．0．71507—0．86406．0．91919．0．93266．0．92845．0．9154—0．86279-0．45202-O．14310．0319870．093855．0．49874．0．55598．0．84554．0．92003．O93687—0．91961-077273．O5303．0．21212．0．47607，0285．0．078550．41665-026652．O．27157．0．29253．0．65318—0．6384-0．54655．0．53463-0．47522．O．35902，0．15459．0．232030．49260．69085O．1662．0．69377-074761-o．61758．0．57606．0．53564．0．51247．0．49584-044613．0．044520．188530．192350．13355．052601．O．51344．0．61461．0．62848—0．54543．050268．035225，013559“舵∞“躺拍钾船扣如孔记弱弘"弱"铋曲印引以∞舛：8∞∽醐曲弛饥他"弭"％"蔼，23456789mn坦¨¨¨M"博拇加¨毖∞抖笛拍卯勰扣如¨弛驺弭弘撕"强拇 神经网络程径流预测模型研究中的应用及软件蜜现2000—72000．82000．92000一le2000-ll2000-12200i。i200l一2200l-3200lq200l。52001—62001-72001．8200l一92001．102001．11200{一122002一l2002-22002—30，105220．2340l0．50379∞'36153．0．6633．0．75926-0，89226奄．92424。0．9234-0．88468-0。73779—0。14226一O．13763O．∞58920．20霹55一O-2963。0．64983国堪13{3-0。88005．0．90951∞．911620，103210。300460．284790．43969一O。51152—0．76784-0．55368-0+5806．0．56335-o+5169l-0。46825．0．326460．239090．10910。070260。24724—0．33087—0，67233，0．62994-0．56433．0．533842002。42002．52002．62002-72002．82002。92002．{o20e2一{l2002．122003一l2003—22003-32003．42003一S2∞3。62003-72003．820n3_擘2003一102003一ll2003—12．0．842t7-0．74369。0．48990。20160．093434—0。0947-0，5303。0．80513-0．89099-0．94254，0．945S2-0，94985．0．89827．0．82949．0．3∞54-o．e6021．0．092620。28003—0。4799-0．7775-0，88226*OSl{0l。0，43175，0．34241∞．123030。5蹦72O．21395∞．17i21—0；54826。0．7017．0．6132-0．5679-0。537t2．0．52487—0．47134-0。408620。09570．239270。008590+31431．0．49685。0．79638*24一∞娃眈够∞∞∞游吣辨婚娃挖n瓣於坩”璐坤笳归踮引旺昭瓣甜驱舯始黔始叭她站姒孵鲻粥冁" 毒孛经列络在轻渡预测搂擞辑究孛静痘爰及软传实现第三辈神经网络模型在漫湾径流中长期预报中的应用3。l弓l言水文时间序列包含了丰富的水文系统信息，它不仅楚过去随时间的演变，而且可以用来预测未来的发展规律和趋势。水文预测的嶷质是函数映射，但因为水文系统静菲线性特征，{嚣承文时闻序列怒本文系统随辩勰熬输出，溺她，该序列一般呈现毒复杂的、动态瀚、高度的菲线往。这藏导数传统的线幢欧射水文预测模型很难充分的描述水文时间序列的统计特性，从而使模型预测精度的提高受到了很大的限制。在众多非线性时间序列分析方法中，人工神经网络以其大规模并行处瑾、分毒式存麓、良露蔽注、套错戆、冗余往戈蒸是英藩婪线瞧簿题莛磐戆逼近能力而簸得了广泛的研究和应用。谯这些应用中，前馈反向传播网络是最有效最活跃的，且绝大多数辩用了三层结构(输入层，～个隐层和输出层)。零文爝季孛经网终来稳遗承文对闻痔列羧测模型，选撵SCG算法为稳经网络的训练算法。阏络结构的邈择采用凑试法，在大量数值试验的基磷上，找瓢最避合漫湾径流序列的网络结构。该神经网络模型在漫湾径流中长期预撒的实际应用中显示了良好的预报效果，已成功应用到云南电网水调高级自动化软件项目中。3．2大工毒辜经元模墼人工神经网络(ANN)是由大量的神经元互连而威的网络。它是在现代神经科学磺究成暴瓣基础上提蹴妁，反欢了人脑功麓的基本特性。但它弗不是人脑的囊实播写，廷楚它靛菜释季蠡象、蓠琵与禳接，它怒龌了生裙聿孛经元瞬应鹣霹闰延迟，而是一谢输入就立即产生输出；此外，也没有考虑生物神经元的频率调制功能。图3．1人工神经元模犁zi93·1Structuralmodelofnervecell人工耪缎元戆诗冀遭纛虿竣分鬓魏三个数学步骤：加权一既对每个输入信号进行程度不同的加权计算。求和～对全部输入倍号的组合效果进行求和计算。映射一逐过转移函数。厂(·)计算输邂终果。设砚为构成种经网络的某个神经元的内部状态、院为簿疆，薯为输A信号 棒经秘终在经巍预测模型疆巍孛敬应弱及软搏实瑶％表示从“，到“，逡接斡投篷。s；表示努部竣入信号(奁浆些+藩凝下，它可戮控制神经元“，，使它保持程某一状态)，上述假设可描述为：t=∑薯％+&一馥毽=厂缸)YJ=90f)=％b)h=g-f(3．1)(3．2)传递函数又称激活函数(ActivationFunction)，其作用是模拟生物神经元所其番籍菲线健转移特往。幽神经元没有内部状态时，可令Y，=“，，h=f。如图3—2所示，常用的神经元状态转移溺数有；1、阶跃函数如图3-2(a)所示。y=厂p)f1盯≥0(3-4)=t10∥<02、准线形函数如图3．2(b)所示。f1仃>OrY=，扛)={口0≤仃<膨(3．5)【0仃<03、Sigmoid滋数如图3。2(c)所示。确)=专4、双秘正谣溺数如图3．2(d)所示。删=扣珐(嚣))(3-6)(3-7) 裤经辨锝在径巍援测搂燕}疆竞串懿痘援投较昏拿；现阎值是为模拟生物神经元的阀值电位而设置的。实际上在网络的学习过程中，它和连接权一样被不断的修正。—b盯一睦．：》仃10of““丝》Fl0～(d)圈3-2神缴霜状态转移函数Fi93—2ActivationfunctiorltotfⅫferstateofnervecell3．3BP神经网络的基本原理及算法的基本步骤BP算法就是Back-Propagation(反囱传播)算法的麓獠，是目前研究最多的算浚之一。BP享枣经睡络逶露蠢一令或多个隐含层，禽蠢～个隐窘屡虢BP聿聿羟圈络结构如图3．3所示。--Pa1“Sixlslxi|+‘al=芒a刀s．f酽(WIP+b1)‘a2=logsig(Wzal+b2)‘阁3-3三层BP神经网络拓扑结构图Fi蛸-3Structuraldiagrm'nofalhree—layerback-propagationneuralnetwork图3-3中，R代表输入朦有R个分爨的输入向量，Q为样本数，P为输入矩阵，w1、W2、bl、b2、al、a2、sI、s2、nI、n2分别为隐含层和输出层神经元的毅重矩阵、阕缓淘量、输滋肉量、神经元数及热权和疯量。隐岔静经元的激励函数采用船Ⅳ．sigmoid型函鼗，输出层神经元静激励函数采用[og．sigmoid型函数。 神黩网络ZE拯渡该测模型碍}究中斡应髑段软l牛寰现应用BP享孛经网终分类的关键目题涉及网络缝构设计、嬲终学习德。在基本结构确定后，就可利用输入输出样本集对网络进行训练。BP算法的键练裁是对稠络熬粳篷裁溺篷遴行学溺移诵熬，矮瓣络实现给定翁输入输崮跤辑关系。BP算法实质上是把一组样本输入输出问题转化为一个非线性优化问题，并通过梯度算法莉用途代运算求解投馕简题的一种学习髯法。已经证弼，具有sigmoid非线性函数的三层神经网络可以任意逼近任何连续函数[691。其学习过程包括误差正向传播和反向传播两个过程。在藏向传播过程中，输入信息从输入艨经隐禽层逐篷处璞，并传逡输出层，每一层享孛经元懿状态只影嚷下一层专孛经元豹状态。如果输出层不能得到期望的输出，则转入反向传播，将误麓信号沿原来的路径返回。逶逮反菱磐敌各屡裤经元静权值和溺蓬，霞误差最小。BP算滋的基本步骤如下：StepI：初始能权值w和阂值b，即把所有权德和阂德都设鬣成较小的随机数；Step2：提供训练样本集，包括输入向量P和要求的预期输出T；Step3：诗算戆含层粒赣出鼷的竣斑i对于图3-1来说，隐含层的输出为式。输出瑟豹簸凄为122=logsig(耽’aj+b2)(3，8)(3-9)式中，tansigO是．sigmoid型函数的正切式，logsigO]黾sigmoid型函数的对数Step4：调整权值和阙值；标准的BP神缀网络的权向量调整公式为W晴+／)----W㈣十,TD似(3。10)式中，w毋+黟，w∞分别必k+l、k时刻蛇权向量；口是学习率；DCc)是k时刻的负梯腱。按误差反向传播方向，从开始输出节点开始返回到隐含朦按上式修正权夔。瓣篷也是一个变纯氆，杰修歪权鏊麓围时选嫠叠三闺傻，涿理嗣投篷骖 神经网络在径流预测模型研究中的应用及软件实现正。Step5：计算网络误差均方和Eg=l掣z∥x(∥2吉渺。飞)2(3—11)Step6：循环Step2～Step5，直至误差均方和满足精度f为止，即且
此文档下载收益归作者所有
