岩溶地区径流预报中BP网络的改进.pdf

第29卷第4期
长江科学院院报
Vol 29 No 4
2012年4月
Journal of Yangtze River Scientific Research Institute
Apr. 2 0
文章编号:1001~5485(2012)04-0011-06
岩溶地区径流预报中BP网络的改进
王文梅,孙蓉琳',高岩
(1.中国地质大学环境学院,武汉430074;2.贵州大学资源与环境工稈学院,贵阳55000)
摘要:岩溶地区下垫面复杂,各种岩溶管道、袈隙、溶泂发育使得流域不闭合,地下暗河存在水量交换,而地下水库
的调蓄作用,使得流域出口断面总流量与降雨量不成绝对的线性关系。为了克服上述问题带来的岩溶地区降雨径
流预报精度低问题,提出了改进的BP网络方法,并通过实例验证了此方法的可行性。以六冲河七星关站断面以上
流域的平均日降水量、平均日蒸发量、前期流量作为影响因子,建立了2种预报模型:①传统BP网络模型;②运用
SPASS软件筛选BP的影响因子数和调整输人层初始权值,并对逐日径流量资料进行对数处理建立改进的BP网络
模型。通过实例分析发现改进的BP网络模型预报效果更好,可以有效地提高大洪峰和小洪峰的预报精度。
关键词:BP网络;径流预报;岩溶;对数处理
中图分类号:P338.9
文献标志码:A
习记忆具有不稳定性;④网络隐含层数及隐含层单
1研究背景
元数的选取尚无统一的理论指导。鉴于BP网络的
这些缺点,目前有通过寻找最优的输人层影响因
在岩溶地区,特别是岩溶管道、裂隙、溶洞发育子8-,建立不同水期预报模型2?,其目的是为
地带,各种岩溶地貌导致地表地下分水岭不重合,流了优化BP网络的输入层因子,但未能克服BP自身
域划分难,流域出∏断面总径流量来源的汇水面积、缺陷;运用遗传算法、最小二乘法等调整输人层神经
汇水量不确定。径流预报最早采用回归、时间序列元数和权重值-进行模型优化。以上模型可以
分析方法列,此类方法过于简单,达不到洪水预报避免新安江模型陕北模型中不确定参数的获取,但
精度;之后又发展了适用于泥润地区的新安江模型、从根本上说都没有克服BP网络根据全局误差修改
峡北模型“?,如今已经很成熟,但对于复杂的岩溶网络权重,使得较大和较小的输出层误差偏大,预报
地区,其参数确定困难,预报精度差;为提高径流预精度不高。
报的精度,避免下垫面各种不确定地质、地貌因素影
基于BP根据全局误差修改网络权重缺点和径
响,人工神经网络预报径流已经成了一种可能
流预报中对大洪水和小洪水预报精度不高的问题,
人工.神经网络?( Artificial Neural Network,本文采用 SPASS软件,进行快速聚类、多元回归分
ANN)是一个可自动提取一组预报变量和另一组自析,消除原始信息中相关性大又对模型解释能力小
变量之非线性关系的数据处理系统,该网络的建的信息,调整BP初始权值;采用对数处理方法对逐
立过程称为人工神经网络的训练过程,通过自适应日降雨量进行对数处理,克服BP根据全局误差修
算法递归迭代求解因变量与自变量之间的非线性关改网络权重的缺陷。最后以岩溶地区径流量预报为
系。BP( Back Propagation)网络是人工神经网络中例进行可行性验证。
最普遍、最有效、最活跃的网络结构,可以模拟非线
性间题。在国内外已有很多研究者运用人工神经网2BP网络模型
络进行洪水、径流、水位等预报。
BP神经网络有以下缺点”:①具有学习收敛速2.1BP网络原理
度缓慢;②不能保证收敛到全局最小点;③网络的学
BP网络8是一种根据误差,反向传递修正隐
收稿日期:2011-07-01
基金项目:贵州大学自然科学青年科研基金(贵大自青基令字(2009)073号)
作者简介:王文梅(1986-),女,重庆市人,硕上研究生,主要从事地下水量预报、地下水溶质运移和渗流的研究,(电话)13871081502(电
子信箱)wwmwjs@126.com
通讯作者:孙蓉琳(1979-),女,湖北武汉人,副教授,主要从事地下水资源管理和裂隙岩体地下水渗流模拟研究,(电话)15342350959(电
子信箱) likegasis(@163.cona
长江科学院院报
2012年
层间权值从而达到训练精度要求的多层网络,它由包括所有特性的径流预报,为了使模型对超出训练
输入层、隐层输出层构成,每一层之间通过权值因样本和验证样本以外的预报数据仍能够归-一化到
子连接。基本的工作原理是:根据输入层、权值因子[0,1]之间,使模型适用性更强,本文将建模数据
输出下--层,输出层又将作为下一层的输入层,以此(流域的日降水量、平均日蒸发量、前期流量、出口
逐步连接到输出层;通过BP输出层与期望的输出断面流量)归一化到0.2~-0.8之间。归一化的公式
层的误差再反向调整各层的权重,直到达到允许误为
差范围或超过训练次数结束训练。BP网络的优点
在于它不需要知道中间的演变过程,直接是个黑箱
模型,通过输入得输出。在实际的复杂问题上,也可
以人为地根据重要因素的先验概率调整其在输人层
中权值,从而使得模型具有现实性。
BP网络神经元(不同层的输人因子与输出因
子)之间的传递函数常用有: Hardlim, purelin,sing
式中:x。为原始数据中最大值:xm为原始数据中最
mod函数,各自的特点为对数据的处理方式不小值;c为常数;为原始数据中第立个数据;y:为归
同?。图1是一个经典的常用3层BP网络结构
化后第个数据;z的取值由样本量决定。
其中输入节点为R,表示R维输人,隐层节点数为
N,隐层传递函数采月 Sigmoid,输出节点数为S,表3实例分析
示S维输出,输出层传递函数采用 purelin函数。X
表示第R个输入层因子,aw表示第N个隐层因子,
洪水预报的误差指标采用以下3种:绝对误差
Y、表示第S个输出层因子,W表示第R输人层因相对误差、确定性系数DC2】。洪水预报过程与实
子与第N个隐层因子之间的连接权值。
测过程之间的吻合程度可用确定性系数作为指标
ー
按下式计算
y
O
DC=1-
式中:DC为确定性系数(取两位小数);y。为预报值
(m3/s);yo为实测值(m/s);yo为实测值的平均值
图1BP神经网络结构图
(m2/s);n为资料系列长度。DC在0~1之间,越大
Fig 1 Structure of BP neural network
表示吻合程度越好,如果DC算出负值表示误差太
2.2BP算法
大,计算时选用的方法不合理。
BP神经网络的基本核心是BP算法,由正向传
当一次预报的误差小于许可误差时,称为合格预
播和反向传播组成。杨桂芳の等人于2000年在岩报。降雨径流预报?以实测洪峰流量的20%作
溶水库渗透研究中提出正向传播和反向传播过程的为许可误差。峰现时间以预报根据时间至实测洪
公式及各层相关关系表达式。在BP算法中,用于峰出现时间之间时距的30%作为许可误差,当许可
对求和单元进行函数运算的激励函数∫常用sing误差小于3h或一个计算时段长,则以3h或一个计
moid函数,该函数分为对数 Sigmoid函数( Logsig)和算时段长作为许可误差。合格预报次数与预报总次
正切 Sigmo