人工神經網絡模型管理論文

導語：人工神經網絡模型管理論文一文來源于網友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

1．前言

人工神經網絡（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，用人工神經網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。

2．BP網絡的構建

人工神經網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網絡bp模型的研究相對成熟，應用最為廣泛，其模型結果如圖：

結構中，輸入層、隱層和輸出層神經元的個數(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元的三層前向神經網絡分析如下：假設輸入層中有個神經元，隱層中有個神經元，輸出層神經元的輸出，即整個網絡的輸出為Y，網絡中輸入層的輸入分別為,,…，則隱層神經元的輸入分別是：

(i=1,2,…m)(2.1)

在上式中，為隱層神經元i與輸入層神經元j的連接權，為隱層神經元的閾值，選擇函數(shù)作為隱層神經元的激發(fā)函數(shù),則隱層神經元的輸出為：

(i=1,2,…m)(2.2)

輸出神經元的激發(fā)函數(shù)取為線性函數(shù)，輸出層神經元的輸出及整個網絡的輸出為：

(2.3)

其中，Vi為輸出層神經元與隱層神經元i的連接權。定義由、、組成的向量為網絡的連接權向量(ij，i，i)。設有學習樣本(，，…；)(=1,2…,p;p為樣本數(shù))。對某樣本(，，…；)在給出網絡向量后，可以通過公式(1.1)～(1.3)計算出網絡的輸出值，對于樣本

定義網絡的輸出誤差為：(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，網絡計算精度不高，在確定網絡結構后，通過調整(ij，i，i)的值，以逐步降低誤差，以提高網絡的計算精度，下面給出根據(jù)誤差信息調整(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)變化的負梯度方向對進行休整。設的修正值為：(2.6)

式中：為第n次迭代計算時連接權的修正值；為前一次迭代計算時計算所得的連接權修正值；為學習率，取0~1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。

3．BP算法的VB程序實現(xiàn)

因程序代碼太多，不再給出。網絡學習程序界面如下圖2：

4．洪水預報網絡模型構建

4．1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)。

4．2預報模型構建

網絡模型采用輸出層中有一個神經元的三層前向人工神經網絡，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，即網絡。考慮河道洪水演進時間和區(qū)間流域的產匯流時間，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)有關文獻介紹，取，算法收斂速度較快。本次計算取，；網絡中的初始值取(0.1～0.1)之間的隨機數(shù)（由VB程序產生）。

樣本的歸一化處理：為了有效利用型函數(shù)的特性，以保證網絡神經元的非線性作用，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)

將樣本轉化為0～1之間的數(shù)據(jù)。對于網絡的輸出數(shù)據(jù)還應進行還原計算恢復實際值，公式為：

(4.2)

使用VB程序對網絡模型進行訓練學習，經102135次學習后，網絡輸出能量函數(shù)值為3.2×10-3，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

11.625608-2.361247-3.2047142.846384-2.718568-1.185164-1.029736

20.138017-0.041076-0.6707810.8445030.936162-2.7469741.546362

31.770369-6.0486571.1342710.7454760.58331-3.0635082.5033320.250.9

4-0.8183131.471144-1.4842650.875319-1.995911-2.6673082.075974

5-1.9730730.30147122.993124-0.160362-3.290356-1.59743-0.627028

5．模型檢驗

應用以上該區(qū)洪水預報的神經網絡模型參數(shù)分別對1982年、1971年的兩次洪水進行檢驗預測，相應洪水過程趨勢線見圖4圖5。

表2預報考評指標表

序號序號

1982.10.0311982年前20h0.69

1982.20.00811982年后80h0.07

1982.30.040.51982年總過程0.19

1982.40.0421971年前11h0.7

19710.0611971年后50h0.12

aver0.0361.11971年總過程0.23

注：1.1982.1表示1982年大洪水的第一次洪峰，其它類同。

2.1982年前20h表示1982年大洪水的漲洪段前20h，其它類同。

圖41971年預測洪水與實測洪水過程線圖51982年預測洪水與實測洪水過程線

檢驗標準：

1）洪峰流量預報誤,經計算、皆小于0.1，據(jù)《水庫洪水調度考評規(guī)定SL224-98》，考評等極為良好（見表2）。

2）峰現(xiàn)時間預報誤差，經計算考評等極為一般，其中一次良好。

3）洪水過程預報考評指標，從預報數(shù)據(jù)分析，兩次洪水過程的預報考評0.23，，根據(jù)規(guī)范屬一般，從洪水過程檢驗指標可分析主要是因為模型對漲洪期低量洪水預報精度不高造成，但峰值附近及后期預報精度較高，可作為洪水預報的一項行之有效的方案。

6．結論

岳城水庫入庫洪水過程的神經網絡預測模型運行穩(wěn)定，對峰高量大洪水預報較為準確，根據(jù)規(guī)范規(guī)定可作為水庫自動測報系統(tǒng)的有益補充，為水庫的防洪調度提供較為可靠的依據(jù)。

參考文獻：

[1]焦李成.神經網絡的應用與實現(xiàn).西安：西安電子科技大學出版社，1993

[2]李春好等.人工神經網絡bp算法的數(shù)據(jù)處理方法及應用.系統(tǒng)工程理論與實踐,1997,17(8)

[3]趙林明等.多層前向人工神經網絡.鄭州：黃河水利出版社，1999

[4]丁晶等.人工神經前饋(bp)網絡模型用作過渡期徑流預測的探討.水電站設計,1997,13

[5]李正最.人工神經網絡推算洪水流量的計算方法.四川水力發(fā)電,1997,16

[6]蔣宗禮.人工神經網絡導論.北京：高等教育出版社,2001