神經網絡模型在水文模擬中的應用研究

2016-08-04 09:57王呈會

東北水利水電 2016年5期

王呈會

（遼寧省水文局，遼寧沈陽110003）

神經網絡模型在水文模擬中的應用研究

王呈會

（遼寧省水文局，遼寧沈陽110003）

［摘要］針對傳統(tǒng)BP神經網絡模型存在收斂精度不高，引入小波函數對傳統(tǒng)BP神經網絡模型節(jié)點計算方法進行改進，并將改進的BP神經網絡模型用于大洋河水文模擬研究中。研究結果表明：改進的BP神經網絡模型可改變傳統(tǒng)神經網絡模型的收斂精度，在大洋河流域洪水尺度水文模擬中，相比于傳統(tǒng)BP神經網絡模型，模擬精度得到明顯提高。

［關鍵詞］小波函數；改進BP神經網絡模型；水文模擬；模擬精度

1　引言

由于改進的BP神經網絡模型在水文模擬研究中應用較少，為此，引入改進的BP神經網絡模型，以遼寧東部大洋河流域為例，模擬大洋河流域的水文過程，并和流域內實測水文數據進行對比分析改進的BP神經網絡模型在流域水文模擬的精度，研究成果對于區(qū)域水文模擬提供參考價值。

2　改進的神經網絡模型原理

小波分析函數主要是通過一個基本單一的小波函數構成，經過水平位移和伸縮位移后的所得。然后再與小波分析信號函數進行內部積分，這個積分過程稱為小波函數變化過程，該小波變化函數的過程具體表達式為：

在方程（1）中τ表示為小波分析函數中的水平位移量；α表示為小波分析函數中的的橫向伸縮量；t表示為計算的時刻。

在小波變換方程中，小波分析函數結合小波信號變換的原理得到分析信號的局部特征值，該局部特征為可以在水平和橫向兩個方向上進行信號的選擇。當前，在小波變化方程中小波變化分析函數主要采用的函數有Shannon小波變化函數、Harr小波變化分析函數、Morlet以及樣條分析小波變換函數，各種小波分析函數都具有各自的計算優(yōu)缺點，在計算過程中主要集合小波信號處理需求進行選擇，選擇Morlet小波分析函數作為這次小波變化信號處理的小波分析函數。Morlet小波分析函數的主要表現形式為：

改進的BP神經網絡模型主要是在傳統(tǒng)BP神經網絡模型的基礎上，引入小波分析函數作為傳統(tǒng)BP神經網絡模型各個節(jié)點計算的控制函數，結合放射變化建立各個節(jié)點之間的聯系。當模型的輸入變量為X=（x1，x2，…，xn），模型的輸出變量為Y=（y1，y2…，yn）。集合兩個變量（X，Y）可以確定改進的BP神經網絡模型各個節(jié)點的n，模型隱含的計算節(jié)點數l，以及模型的輸出變量的自由節(jié)點數n，改進的BP神經網絡模型的小波分析函數的具體表達式為：

在方程（3）中準（j）表示小波分析函數中隱含的計算節(jié)點數j的模型輸出值；準j表示的小波分析的基本函數；l表示小波分析函數計算的隱含的計算節(jié)點個數。

結合隱含的計算節(jié)點數與輸出特征層之間的神經系數連接權重值Wjk，小波分析變化函數模型的輸出值的表達式為：

在方程（4）中y（k）表示的模型的輸出值。

在改進的BP神經網絡模型需要采用梯度進行修正通過與實測值之間的相對誤差進行反復訓練計算，通過調整模型的權重特征值以及小波分析函數的各個參數值，使得改進的BP神經網絡模型的輸出值和實測值之間的誤差減少到許可的范圍。模型預測的相對誤差計算公式為：

在方程（5）中y軃Σk Σ表示模型訓練計算的數值；yΣk Σ表示小波分析函數模型的預測值；m比表示為具體的模型輸出的節(jié)點的層數。

3　模型運用

3.1研究區(qū)域概況

大洋河位于遼寧省東部區(qū)域，河流總長為230.2 km，大洋河總的集水面積為6 504 km2，是遼寧省東部半島區(qū)域最大河流，流域的水量較為豐育，水系較多，流域1960—2010年多年平均水量為3.1×109m3，文中的研究區(qū)域位于大洋河里寨水文站以上集水區(qū)域，研究區(qū)域集水面積為4 810 km2，研究區(qū)域內有9處雨量站點，流域1960—2010年多年平均降水量為650 mm。

3.2模擬結果對比分析

基于沙里寨水文站1980—2010年水文數據，其中1980—1999年水文數據用于模型訓練，計算參數，2000—2010年水文數據用來驗證模型模擬精度，模型驗證結果見表1。

從表1中可以看出，改進的BP神經網絡模型2000—2010年模擬值和沙里寨水文站實測值之間的相對誤差均小于10%，而傳統(tǒng)的BP神經網絡模型2000—2010年模擬值和沙里寨水文站實測值之間的相對誤差大都在10%以上，除2010年大水年份外，可見改進的BP神經網絡模型在水量模擬誤差有所改善，相比于傳統(tǒng)BP神經網絡模型，改進的BP神經網絡模型相對誤差均值減少6.57%。其次在水文過程模擬上，改進的BP神經網絡模型模擬值和實測值之間的確定性系數均在0.8以上，明顯好于傳統(tǒng)BP神經網絡模型的確定性系數，在確定性系數這一指標上，改進的BP神經網絡模型相比于傳統(tǒng)的BP神經網絡模型，確定性系數提高0.2?？梢姡倪M的BP神經網絡模型在年尺度水文模擬上，精度有所提高。