水利工程論文-岳城水庫洪水預報人工神經(jīng)網(wǎng)絡模型實現(xiàn).doc

水利工程論文-岳城水庫洪水預報人工神經(jīng)網(wǎng)絡模型實現(xiàn)摘要：應用visualbasic6.0編程技術(shù)，實現(xiàn)了人工神經(jīng)網(wǎng)絡bp算法的程序化，并建立了岳城水庫洪水過程預報的反向傳播神經(jīng)網(wǎng)絡模型，經(jīng)檢驗，洪水預測精度較好，結(jié)果令人滿意，為岳城水庫的入庫洪水預報及調(diào)度工作提供新的思路和依據(jù)。關(guān)鍵詞：人工神經(jīng)網(wǎng)絡BP算法VB程序洪水預報1前言人工神經(jīng)網(wǎng)絡（ANN）又稱連接機制模型（ConnectionModel）或并行分布處理模型（ParallalDistributedModel）。作為人工智能的研究方法，目前已廣泛應用于自然科學的各個領(lǐng)域，應用計算機程序來模擬這種特殊的數(shù)學模型并應用于實際流域的洪水預報研究中，無疑是一種新的嘗試和有益探索。岳城水庫是海河流域南運河水系漳河上的一座大型控制性工程，入庫洪水突發(fā)性強，水猛多沙，為確保下游河北、河南、山東、天津廣大平原地區(qū)和京廣鐵路的安全，對水庫入庫洪水進行精確預報，及時采取預泄和分洪措施顯得極其重要，因此，用人工神經(jīng)網(wǎng)絡模型模擬預報水庫的入庫洪水過程，有重要參考和借鑒意義。2BP網(wǎng)絡的構(gòu)建人工神經(jīng)網(wǎng)絡是一個高度復雜的非線性動力學系統(tǒng)，它有大量的簡單處理單元（神經(jīng)元）廣泛連接而成，他對人腦的功能作了某種簡化、抽象和模擬，具有很強的非線性映射能力，其中對多層前向神經(jīng)網(wǎng)絡bp模型的研究相對成熟，應用最為廣泛，其模型結(jié)果如圖：結(jié)構(gòu)中，輸入層、隱層和輸出層神經(jīng)元的個數(shù)根據(jù)具體情況設定，其中隱層層數(shù)不一，不失一般性對輸出層中只含有一個神經(jīng)元的三層前向神經(jīng)網(wǎng)絡分析如下：假設輸入層中有個神經(jīng)元，隱層中有個神經(jīng)元，輸出層神經(jīng)元的輸出，即整個網(wǎng)絡的輸出為Y，網(wǎng)絡中輸入層的輸入分別為,，則隱層神經(jīng)元的輸入分別是：(i=1,2,m)(2.1)在上式中，為隱層神經(jīng)元i與輸入層神經(jīng)元j的連接權(quán)，為隱層神經(jīng)元的閾值，選擇函數(shù)作為隱層神經(jīng)元的激發(fā)函數(shù),則隱層神經(jīng)元的輸出為：(i=1,2,m)(2.2)輸出神經(jīng)元的激發(fā)函數(shù)取為線性函數(shù)，輸出層神經(jīng)元的輸出及整個網(wǎng)絡的輸出為：(2.3)其中，Vi為輸出層神經(jīng)元與隱層神經(jīng)元i的連接權(quán)。定義由、組成的向量為網(wǎng)絡的連接權(quán)向量(ij，i，i)。設有學習樣本(，；)(=1,2,p；p為樣本數(shù))。對某樣本(，；)在給出網(wǎng)絡向量后，可以通過公式(1.1)(1.3)計算出網(wǎng)絡的輸出值，對于樣本定義網(wǎng)絡的輸出誤差為：(2.4)定義誤差函數(shù)為：(2.5)(ij，i，i)隨機給出，計算式(2.5)定義的誤差值較大，網(wǎng)絡計算精度不高，在確定網(wǎng)絡結(jié)構(gòu)后，通過調(diào)整(ij，i，i)的值，以逐步降低誤差，以提高網(wǎng)絡的計算精度，下面給出根據(jù)誤差信息調(diào)整(ij，i，i)的具體計算過程。在反向傳播算法中，是沿著誤差函數(shù)隨(ij，i，i)變化的負梯度方向?qū)M行休整。設的修正值為：(2.6)式中：為第n次迭代計算時連接權(quán)的修正值；為前一次迭代計算時計算所得的連接權(quán)修正值；為學習率，取01間的數(shù)；為動量因子，一般取接近1的數(shù)。將式(1.4)和(1.5)代入式(1.6)中，有(2.7)定義=（,），則：(2.8)(2.9)(2.10)采用迭代式對修正計算，得到新的連接權(quán)向量。對于所有的學習樣本均按照樣本排列順序進行上述計算過程，然后固定的值，對于p個樣本分別進行正向計算，從而求出學習樣本的能量函數(shù)值：(2.11)這樣結(jié)束了一個輪次的迭代過程，當滿足某一精度要求時，就停止迭代計算，所得(ij，i，i)即為最終模型參數(shù)，否則就要進行新一輪的計算。3BP算法的VB程序?qū)崿F(xiàn)因程序代碼太多，不再給出。網(wǎng)絡學習程序界面如下圖2：4洪水預報網(wǎng)絡模型構(gòu)建41資料收集岳城水庫的入庫水文站為觀臺水文站，該站上游有清漳河匡門口水文站和濁漳河天橋段水文站，距觀臺分別為66km和64km。上游匡門口、天橋段與下游觀臺的區(qū)間流域面積為1488km2，見流域水系圖3。資料采用年鑒1962、1976、1977、1988年四次洪水和相應年份的區(qū)間時段降雨量共118組調(diào)查數(shù)據(jù)作為模型的學習訓練樣本，另取1971年和1982年兩次大洪水作為模型的檢驗數(shù)據(jù)。42預報模型構(gòu)建網(wǎng)絡模型采用輸出層中有一個神經(jīng)元的三層前向人工神經(jīng)網(wǎng)絡，洪水預報模型的輸出節(jié)點為岳城水庫的入庫站觀臺水文站的時刻的流量，即網(wǎng)絡?？紤]河道洪水演進時間和區(qū)間流域的產(chǎn)匯流時間，分別取清漳河匡門口站和天橋斷以及流域平均降雨量、作為模型的輸入節(jié)點值；隱層神經(jīng)元節(jié)點數(shù)和輸入層節(jié)點數(shù)相同取為4。模型參數(shù)優(yōu)化：計算中，學習率越大，學習速度會越快，但是過大時會引起振蕩效應；動量因子取得過大可能導致發(fā)散，過小則收斂速度太慢。據(jù)有關(guān)文獻介紹，取，算法收斂速度較快。本次計算取，；網(wǎng)絡中的初始值取(0.10.1)之間的隨機數(shù)（由VB程序產(chǎn)生）。樣本的歸一化處理：為了有效利用型函數(shù)的特性，以保證網(wǎng)絡神經(jīng)元的非線性作用，對于數(shù)值型的學習樣本要進行歸一化處理。對樣本(p=1,2,p)定義，歸一化處理計算就是按照公式：(4.1)將樣本轉(zhuǎn)化為01之間的數(shù)據(jù)。對于網(wǎng)絡的輸出數(shù)據(jù)還應進行還原計算恢復實際值，公式為：(4.2)使用VB程序?qū)W(wǎng)絡模型進行訓練學習，經(jīng)102135次學習后，網(wǎng)絡輸出能量函數(shù)值為3.210-3，此時得到模型最優(yōu)參數(shù)如表1。表1模型參數(shù)表序號11.625608-2.361247-3.2047142.846384-2.718568-1.185164-1.02973620.138017-0.041076-0.6707810.8445030.936162-2.7469741.54636231.770369-6.0486571.1342710.7454760.58331-3.0635082.5033320.250.94-0.8183131.471144-1.4842650.875319-1.995911-2.6673082.0759745-1.9730730.3