岳城水库洪水预报人工神经网络模型实现

时间:2005-07-27 00:00:00 来源:水利工程网作者:刘德东

1．前言

人工神经网络（ANN）又称连接机制模型（Connection Model）或并行分布处理模型（ParallalDistributed Model）。作为人工智能的研究方法，目前已广泛应用于自然科学的各个领域，应用计算机程序来模拟这种特殊的数学模型并应用于实际流域的洪水预报研究中，无疑是一种新的尝试和有益探索。岳城水库是海河流域南运河水系漳河上的一座大型控制性工程，入库洪水突发性强，水猛多沙，为确保下游河北、河南、山东、天津广大平原地区和京广铁路的安全，对水库入库洪水进行精确预报，及时采取预泄和分洪措施显得极其重要，因此，用人工神经网络模型模拟预报水库的入库洪水过程，有重要参考和借鉴意义。

2．BP网络的构建

人工神经网络是一个高度复杂的非线性动力学系统，它有大量的简单处理单元（神经元）广泛连接而成，他对人脑的功能作了某种简化、抽象和模拟，具有很强的非线性映射能力，其中对多层前向神经网络bp模型的研究相对成熟，应用最为广泛，其模型结果如图：

结构中，输入层、隐层和输出层神经元的个数根据具体情况设定，其中隐层层数不一，不失一般性对输出层中只含有一个神经元的三层前向神经网络分析如下：假设输入层中有个神经元，隐层中有个神经元，输出层神经元的输出，即整个网络的输出为Y，网络中输入层的输入分别为,,…，则隐层神经元的输入分别是：

(i=1,2,…m) (2.1)

在上式中，为隐层神经元i与输入层神经元j的连接权，为隐层神经元的阈值，选择函数作为隐层神经元的激发函数,则隐层神经元的输出为：

(i=1,2,…m) (2.2)

输出神经元的激发函数取为线性函数，输出层神经元的输出及整个网络的输出为：

(2.3)

其中，Vi为输出层神经元与隐层神经元i的连接权。定义由、、组成的向量为网络的连接权向量(_ij，_i，_i)。设有学习样本(，，…；)( =1,2…,p;p为样本数)。对某样本(，，…；)在给出网络向量后，可以通过公式(1.1)～(1.3)计算出网络的输出值，对于样本

定义网络的输出误差为： (2.4)

定义误差函数为： (2.5)

(_ij，_i，_i)随机给出，计算式(2.5)定义的误差值较大，网络计算精度不高，在确定网络结构后，通过调整(_ij，_i，_i)的值，以逐步降低误差，以提高网络的计算精度，下面给出根据误差信息调整(_ij，_i，_i)的具体计算过程。

在反向传播算法中，是沿着误差函数随(_ij，_i，_i)变化的负梯度方向对进行休整。设的修正值为： (2.6)

式中：为第n次迭代计算时连接权的修正值；为前一次迭代计算时计算所得的连接权修正值；为学习率，取0~1间的数；为动量因子，一般取接近1的数。将式(1.4)和(1.5)代入式(1.6)中，有 (2.7)

定义=（,,），则：

(2.8)

(2.9)

(2.10)

采用迭代式对修正计算，得到新的连接权向量。对于所有的学习样本均按照样本排列顺序进行上述计算过程，然后固定的值，对于p个样本分别进行正向计算，从而求出学习样本的能量函数值：

(2.11)

这样结束了一个轮次的迭代过程，当满足某一精度要求时，就停止迭代计算，所得(_ij，_i，_i)即为最终模型参数，否则就要进行新一轮的计算。

3．BP算法的VB程序实现

因程序代码太多，不再给出。网络学习程序界面如下图2：

4．洪水预报网络模型构建

4．1资料收集

岳城水库的入库水文站为观台水文站，该站上游有清漳河匡门口水文站和浊漳河天桥段水文站，距观台分别为66km和64km。上游匡门口、天桥段与下游观台的区间流域面积为1488km²，见流域水系图3。资料采用年鉴1962、1976、1977、1988年四次洪水和相应年份的区间时段降雨量共118组调查数据作为模型的学习训练样本，另取1971年和1982年两次大洪水作为模型的检验数据。