http://www.paper.edu.cn
- 1 -
BP 神经网络在宜昌中长期年径流量预报中的应用
薛梅,宋颖玲
河海大学水文水资源学院,南京 (210098)
摘 要:简要介绍了 BP 神经网络的基本原理,并利用神经网络工具箱,建立了相应的前期
大气环流因子和海温因子与宜昌站年径流量之间的中长期预报模型。本文是使用的是改进的
BP 算法——LMBP 算法,由于 BP 神经网络的初始权值是随机赋予的,为降低预报风险,
减少偶然误差,采用 LMBP 算法训练 10 次取平均值。研究结果表明,基于 LMBP 算法的网
络模型收敛速度较快,拟合精度高,预报结果也满足要求;同时,可以根据前期大气环流及
海温资料,定量地计算出宜昌站的年均流量,可以为今后快速地进行水资源评价、防洪抗旱
等方面的工作提供了有效的途径。
关键词:BP神经网络;径流预报; LMBP算法;中长期
中图分类号:TV124 文献标识码:A
河流径流预报是水利工程调度环节的关键,预测结果的准确性大小不仅关系到输水目标
管理系统中来水流量信息的准确与否,而且还关系到各个控水节点是否能够实现输水目标。
准确的来水预报可以最大限度地协调水资源综合利用中出现的各种用水矛盾,为水权分配、
调度及控制提供决策依据,因此,径流预报对水权的管理及研究都具有十分重要的意义
[1]
。
在河流径流预报的研究方法中,采用回归分析模型预报精度低,难于有效指导生产实践,
采用模糊水文学中的成因分析、统计分析与模糊集分析等方法,虽突破了径流中长期预报传
统模式的框架,提高了预报精度,但计算工作量大、自动化程度低、人为因素多,因此也限
制了这种方法的推广和应用
[2]
。而人工神经网络能有效地处理问题的非线性、模糊性和不确
定性关系,实践证明其预报的精度较高,因此将人工神经网络引入径流预报有望取得较好的
效果。
本文把人工神经网络模型应用于气象-径流量这一复杂的非线性系统研究,并根据长江
宜昌水文站的年均流量与相应的大气环流及海温历史资料进行了预报模型,并检验了模型的
适用性。
1 BP 网络模型简介
BP 算法亦称误差反向传播算法,是 Rumellhort 在 1986 年提出的一种简便、有效、适用
于层次型网络的学习算法。BP 算法的基本思想是:当一个训练样本被输入给神经网络后,
首先进行输入信号的正向传播,即输入信号经网络的权重、阈值和神经元的转移函数作用产
生一个输出层的输出。如果输出值与期望值之间的误差大于规定量,则进行修正,转入误差
反传播阶段,即误差通过隐含层向输入层逐层返回,并将误差按“梯度下降”原则“分摊”给各
层神经元,从而获得各层神经元的误差信号,作为修改权重的依据。以上两过程是反复多次
进行的、权重不断修改的过程,也就是网络的训练过程。此循环一直进行到网络的输出误差
减小到允许值或到达设定的训练次数为止
[1-8]
。
实践证明,用一个三层网络即可模拟任意复杂的非线性问题,这表明一个由三层神经元
构成的前向网络能够形成任意复杂的判决区域,可以完成任意的
n 维到 m 维的映射。因而,
BP 网络应用于研究工作中,多用三层的 BP 网络结构模型。故本文采用三层的 BP 网络模式。
即:1 个输入层、1 个隐含层和 1 个输出层。如图 1 为一个典型的三层 BP 网络的拓扑结构。
BP 神经网络设计时,需要确定网络的拓扑结构(隐含层的层数及各层的神经元数)及
其神经元的变换函数,网络的初始化,误差计算,学习规则及网络训练,训练参数及训练样