水利工程论文-人工神经网络峰值识别理论及其在洪水预报中的应用.doc

水利工程论文-人工神经网络峰值识别理论及其在洪水预报中的应用摘要：本文在总结大量洪水预报实践经验的基础上，提出了一种峰值识别理论及相应的改进BP算法(ErrorBackPropagationwithPeakRecognizer,简称BPPR).该理论及算法在修改网络权重时，偏重大值误差，即大值误差对权重的修改起主要作用.这种BPPR算法使人工神经网络洪水预报模型对洪峰的预报精度显著提高，从而保证了洪峰预报的可靠性.关键词：人工神经网络峰值识别理论洪水预报洪水预报作为非工程性防洪措施正日益受到重视，准确及时的洪水预报为防洪决策提供了科学的依据.人工神经网络模拟了人类大脑的结构及其功能，从而具有对模糊信息或复杂的非线性关系进行识别与处理的能力1,2.早期关于人工神经网络在水文水资源系统中的应用与研究的进展情况，文献3有较为详细、系统的介绍.其中，关于洪水预报的研究成果，大多处于如何应用人工神经网络算法进行洪水预报的阶段，即如何将洪水预报的实际问题概化成人工神经网络可以识别的算法模型.近期的研究成果表明，研究的问题更加深入，如LINDASEE(1999)4将洪水过程分为上升段、洪峰段和下降段三部分，分别建立相应的预报模型，充分考虑了不同阶段的洪水过程其演进规律的差异.Fi-JohnChang(1999)5引入洪峰预报误差和峰现误差作为洪水预报精度的评价标准，对于洪峰预报精度给予了高度的重视.能否保证较高的洪水峰值的预报精度，是将人工神经网络的实时洪水预报技术实际应用的关键性问题.本文在总结大量实践经验的基础上6,7，提出了一种能够进行峰值识别的改进BP算法(ErrorBackPropagationwithPeakRecognizer,简称BPPR).该算法在修改网络权重时偏重大值，即大值误差对权重的修改起主要作用.这种改进的BP算法使人工神经网络洪水预报模型对洪峰峰值的预报精度显著提高，从而保证了洪峰预报的可靠性.1人工神经网络的峰值识别理论洪水预报主要是为防汛服务的，通常对洪峰时段的水位(或流量)的准确预报尤为重要.但是，对于经典的BP算法，网络训练是根据全局误差修改网络权重的，这种权重修改方法很难控制洪峰水位(或流量)的训练精度，训练后的网络权重所贮存的信息很可能更多地反映了样本数量较大的中、低水位(或流量)的变化规律.所以，经过训练的网络对中、低水位(或流量)的预报精度相对较高，而对洪峰的预报精度往往低一些.如何提高人工神经网络模型对洪峰水位(或流量)的预报精度，是人工神经网络理论应用于洪水预报的关键问题之一.本文是在结合实际课题广泛研究的基础上，提出了一种能够提高网络模型峰值识别精度的改进BP算法.1.1峰值识别的基本思想经典BP算法的训练过程由信号的正向传播与误差的逆向传播两个过程组成.其中，误差的逆向传播是基于网络全局误差并按“误差梯度下降”的原则对网络权重进行修改.如果对原来基于“全局误差”的权重修改原则进行合理调整，使权重的修改倾向于减小输出值较大样本的网络映射误差，这是峰值识别原理的基本思想，其实质是在误差逆向传播的网络权重修改过程中，遵循了侧重于“峰值样本误差”的权重修改原则.1.2峰值识别的算法峰值识别理论的实现方法，是在引入动量项和采用学习率自适应调整的改进BP算法4的基础上，对峰值样本的网络误差引入合理的修正系数，使网络的权重向着使峰值训练误差减小的方向修改.首先，从经典BP算法开始.设有输入为x1(t)、x2(t)、xn(t)的n维输入，输出为xL1(t)、xL2(t)、xLm(t)、的m维输出和若干隐层组成的多输入、多输出人工神经网络模型.这里的t为样本序列号，这样的样本共有P对.第l层中第i个神经元节点所接收到的上一层输入总和为式中：Nl为第l层神经元节点总数；w(l)ij为第l层i节点与第l-1层j节点之间的连接权重；(l)i为第l层i节点的阈值.第l层中第i个神经元节点的输出为x(l)i(t)=f（y(l)i(t)）=1/1+exp(-y(l)i(t)(1lL,1iNl)（2）式中：f()为转移函数，这里采用的是对数型的单极性Sigmoid函数；为决定Sigmoid函数压缩程度的系数.该系数越大，曲线越陡；反之，曲线越缓.则，当训练次数为k时，网络输出层及隐层的误差信号可表示为式中：d(L)i(t)为训练样本的期望输出.那么，网络权重的修改公式为式中：(k)为训练次数为k时的学习率；为动量项系数.以上为经典BP算法的基本内容.基于峰值识别的思想，实现网络误差修正倾向于输出样本的较大值，定义误差修正系数i=di(L)(t)/d(L)max(t)（7）式中：d(L)max(t)为训练样本期望输出的最大值.为了进一步提高神经网络模型的训练速度，改善网络峰值识别的精度，可以在上述修正系数的基础上，增设误差修正放大系数.那么，加入误差修正系数及误差修正放大系数后，当训练次数为k时，网络输出层误差信号的向量表达式如下应用该算法进行网络训练，能够使峰值误差修正占优，从而提高网络对峰值的映射精度.2应用实例2.1工程概况及基本模型珠江流域西江段的水系关系比较复杂，如图1所示.从柳州站、迁江站、南宁站或贵港站预报梧州站洪水目前还是一个难题.结合现有的研究成果，介绍洪水预报峰值识别理论的有效性.选取珠江流域从对亭站、柳州站、迁江站、南宁站预报江口站洪水的江口站洪水预报模型，分别以BP算法与引入峰值识别理论的BPPR算法进行网络训练.以多年实测记录数据为训练样本，并采用下一年的记录数据为测试样本，即以1988、19921994、19961998各年的水位(流量)资料为训练样本，以1999年水位(流量)资料作为测试样本.图1珠江流域西江段主要水情站及洪水平均传播时间示意*传播时间单位：h传统相应水位的洪水预报方法是根据天然河道洪水波的运动原理，分析洪水波在运动过程中，波的任一相位自上游水情站传播到下游水情站的相应水位及其传播时间的变化规律，寻找其经验关系，以此进行洪水预报8.人工神经网络对信息的分布存储、并行处理以及自学习的能力，决定了它具有对模糊信息和复杂非线性关系的识别与处理能力.网络的训练学习过程，就是网络认知事物内在规律的过程.构造基于人工神经网络洪水预报模型的首要问题，是如何将洪水过程合理地概化成人工神经网络可以映射的输入、输出关系.以上游干流和主要支流水情站的水位(流量)资料作为网络模型的输入，以下游水情站所形成的相应水位(流量)作为网络模型的输出；同时，将下游同时水位(流量)作为网络模型的输入，以模拟下游初始水位的影响.洪水自上游水文站至下游水文站的传播时间就是网络对洪水的预见期.本题中所建立的江口站洪水预报模型中，作为江口站的上游水文站共有对亭、柳州、迁江和南宁等站，其中的迁江站处于干流河道.值得一提的是，对亭站方向的来水属山区洪水，特点为量小、峰高、历时短，洪水过程线陡起陡落，其结果是水位的变化非常大，而实际的流量又很小，这无疑会影响水位预报模型的识别精度.为了减少这种小支流的干扰，在建立水位预报模型时，未将对亭站的水位作为输入项.在