基于遗忘因子的BP神经网络水文实时预报方法.pdfVIP

第 卷 第 期 水 科 学 进 展 ， ,/ . P?8),/ 0?). 年 月 ， ’%%# ,, +OP+0Q42 R0 S+T4F 2QR40Q4 0?UV ’%%# 基于遗忘因子的 神经网络水文实时预报方法 ! 袁 晶，张小峰 （武汉大学水资源与水电工程科学国家重点实验室，湖北 武汉 #$%%’ ） 摘要：在应用神经网络进行洪水预报时，因洪水系统随着河道上游来流、区间降雨、河床演变等因素的动态变化， 其特性并不总是按照基本相同的规律变化，对这类系统的参数辨识，要求算法具有较强的实时跟踪能力，以适应模 拟或预测洪水运动变化过程的要求。在! 神经网络模型的基础上，运用最小二乘递推算法，引入时变遗忘因子实 时跟踪模型中时变参数的变化，建立了神经网络在非线性系统中动态系统输入、输出数据间的映射关系。计算实例 表明：该法对参数的快速时变具有较快的跟踪能力和较高的辨识精度，是一种非常实用的水文实时预报方法。 关 键 词：神经网络；最小二乘递推算法；时变遗忘因子；时变参数；水文实时预报 中图分类号： 文献标识码： 文章编号： （ ） $$()* + ,%%,-.*, ’%%# %.-%(-%. ［ ］ ! 神经网络由于其本身的优良特性已成功应用于水文水资源等研究领域 , @ $ 。对于水文水资源系统，有 些情况下，输入输出数据之间的映射关系并不是固定的。例如：在洪水预报中，影响下游流量变化的主要因素 是上游来流过程，由于河床的冲淤变化，上游来流与下游洪水的关系随之而变，若采用固定的映射作水文预 报，虽整体效果不错，但难免会出现较大的局部误差。考虑输入、输出数据的动态变化，使输入、输出之间的 映射关系随时间而变，可使洪水预报方法更好地符合实际物理过程，提高计算精度。 ［］ 最小二乘法已被国内外众多学者广泛应用于时变参数辨识方面的研究，是估计理论的奠基石，ABC # 和 ［］ D?C / 将遗忘因子的最小二乘法应用到神经网络中，取得了一定的改进效果，但其模型中遗忘因子为一常数， 难以较快跟踪网络参数的变化。本文在神经网络的基础上，运用最小二乘估计时变参数的递推算法，引入时变 遗忘因子 （ ），实时刷新模型（包括模型的结构、参数、预测值等），动态修正网络的权系数，达到减小预报 ! ! E , 误差的目的。 ! 模型的建立 ,*(/ 年FC5G8B6HI 和J8G886=K 等学者提出的误差反向传播（!6L H?M6N6I7?= ）算法，是目前人工神经网络理 ［］ 论中最重要的一种学习算法. 。 网络的学习过程是由信息正向传播和误差反向传播两个反复交替的过程所 ! ［］ 组成 ，本文运用最小二乘估计时变参数递推算法，引入时变遗忘因子 （ ），跟踪 模型中参数（连接权 ! ! E , ! 因子和阈值）的动态变化，以达到对! 模型的结构进行实时修正，提高模型预报的精度。 !! 最小二乘参数估计的递推算法 ［］ 用最小二乘法估算参数