基于灰色神经网络模型的径流模拟与应用.pdfVIP

第 32卷第 6期 华 北 水 利 水 电 学 院 学 报 V0l_32No．6 2011年 12月 JournalofNoahChinaInstituteofWaterConservancyandHydroelectricPower Dec．2011 文章编号：1002—5634(2011)06—0026—04 基于灰色神经网络模型的径流模拟与应用 邱 林，周 茂，孙晗含 (华北水利水 电学院，河南 郑州 450011) 摘 要：通过对实测年径流系列进行相关影响因子的灰关联度分析，建立了GM(1，N)模型，利用BP神经网 络模型对残差值进行拟合修正，构建了一个基于GM(1，N)的灰色神经网络预测模型．结合实例的计算结果表 明，该模型可提高年径流模拟精度． 关键词 ：年径流 ；GM(1，N)模型；BP神经网络 准确预测流域的年径流量及分布特性，对合理开 △…，△ 分别为各时刻相对因子序列对系统特征序 发利用水资源至关重要．灰色预测模型 所需样本 列绝对差的最大、最小值 ，实际计算时，需将原始数 数据少 ，无须考虑其分布规律及变化趋势，建模简单， 据作初值化处理 ，所有初值 。(1)均变为 1，故 △i 运算方便 ，适用于处理数据较少、趋势性强、波动不大 = 0；为分辨系数，通常取值 0．5．由于关联性是曲 的短期预测问题．神经网络预测模型 具有较强的 线间几何形状的差别 ，因此选择曲线间差值 的大小 自学习、自组织和 自适应能力，以及 良好的非线性信 为衡量关联度的尺度是合理的 ．。(t)与 △。(t)／ 息处理能力，适用于预测无序 、波动较大的时间序列， (△ 卢)负相关 ，其值不仅直接取决于 △。(t)，而且 在处理长期预测问题中有较大优势．为充分发挥灰色 间接地受系统整体性 的影响．△…是系统整体性在 预测模型和神经网络模型各 自的优势 ，笔者综合应用 关联空间中的反映，JB是 △…的系数，表示系统或各 这2种模型进行流域的年径流量模拟预测研究． 相对因子对关联度的间接影响程度．则关联度 1 n 1 基于 GM(1，N)的灰色神经 网络 r0l=÷∑ f)， 12一，m． 模 型 通过灰色关联度的计算，可确定有效 因子 (关 1．1 灰色关联度分析 键因子)．在灰色关联度分析 中，按不同公式求得 的 灰色关联分析 的关键在于关联度 的计算．邓 各因子间关联度的数值大小可能会有所差异，但关 氏关联度 无论是对时间序列数据、指标序列数据 联序列一般不会发生变化．因此，关联序列才是关联 分析的实质 ． 还是横向序列数据都适用．其计算方法如下． 1．2 GM (1，N)模型 设 X。={X。(1)，X。(2)，…，X。(n)}为系统特征 序列 ，即预报对象；X ={ (1)， (2)，…，X (n)} GM(1，Ⅳ)模型是一阶 Ⅳ个变量 的微分方程型 (i=1，2，…，m)为相关因子序列．在时刻 t，X 与 预测模型¨．设 ：∽={：∞(1)，xl (2)，…， 的相关系数为 (U](n)}为系统特征序列，即预报对象； = △ i+△…卢 A 卢 1 {：‘1)， (2)，…， (n)}，…，：∽= ， ．、 s叭 一△ (￡)+A…卢一△0(f)+△ JB一