灰色徑向基神經(jīng)網(wǎng)絡(luò)技術(shù)在清訶水庫中長期水文預報中的應用

劉秀華

（遼寧省清河水庫管理局　鐵嶺市　112003）

?

灰色徑向基神經(jīng)網(wǎng)絡(luò)技術(shù)在清訶水庫中長期水文預報中的應用

劉秀華

（遼寧省清河水庫管理局鐵嶺市112003）

【摘要】清河水庫中長期水文預報采用的預報方法，因預報準確性較低，用以指導實際調(diào)度運用的價值不大，灰色徑向基神經(jīng)網(wǎng)絡(luò)中長期水文預報模型在清河水庫中長期預報中應用，有效地提高了清河水庫中長期水文預報的精度。

【關(guān)鍵詞】灰色系統(tǒng)關(guān)聯(lián)度徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

大型水庫的合理調(diào)度必須有中長期水文預報為依據(jù)，因它在工農(nóng)業(yè)生產(chǎn)、是否充分利用水資源以及發(fā)揮水利工程的效益方面，都起到很大的作用。清河水庫中長期預報，主要采用傳統(tǒng)的預報方法、數(shù)理統(tǒng)計法、歷史演變法、周期疊加外推法、平穩(wěn)時間序列外推法等，各方法預報值有時相差較大，經(jīng)綜合分析后確定一個預報范圍，預報準確性均較低，無法滿足防洪興利調(diào)度要求?；疑珡较蚧窠?jīng)網(wǎng)絡(luò)中長期水文預報模型在清河水庫中長期預報中應用，預報精度有了明顯的提高，取得了較好的效果。

1　灰色關(guān)聯(lián)度的概念

1982年，中國學者鄧聚龍教授創(chuàng)立的灰色系統(tǒng)理論，是一種研究少數(shù)據(jù)、貧信息不確定性問題的新方法。灰色系統(tǒng)理論以部分信息已知，部分信息未知的小樣本信息。不確定性系統(tǒng)為研究對象，主要通過對已知信息的生成、開發(fā)，提取有價值的信息，實現(xiàn)對系統(tǒng)運行行為、演化規(guī)律的正確描述和有效監(jiān)控。社會、經(jīng)濟、農(nóng)業(yè)、工業(yè)、生態(tài)、生物等許多系統(tǒng)，是按照研究對象所屬的領(lǐng)域和范圍命名的，而灰色系統(tǒng)卻是按顏色命名的。在控制論中，人們常用顏色的深淺形容信息的明確程度，我們用“黑”表示信息未知，用“白”表示信息完全明確，用“灰”表示部分信息明確、部分信息不明確。相應地，信息完全明確的系統(tǒng)稱為白色系統(tǒng)，信息未知的系統(tǒng)稱為黑色系統(tǒng)，部分信息明確、部分信息不明確的系統(tǒng)稱為灰色系統(tǒng)。

關(guān)聯(lián)度分析來源于華中理工大學鄧聚龍教授創(chuàng)立的灰色系統(tǒng)理論，是分析灰色系統(tǒng)內(nèi)部各因素之間發(fā)展變化的關(guān)聯(lián)程度的一種方法。關(guān)聯(lián)度分析與傳統(tǒng)的相關(guān)分析有所不同。通過關(guān)聯(lián)度分析，可以找出影響關(guān)鍵變量發(fā)展變化的主要因素，為管理決策提供依據(jù)。該方法在農(nóng)業(yè)、國民經(jīng)濟分析中應用較多，在水文系統(tǒng)分析中應用尚不多見。探討關(guān)聯(lián)度分析在衛(wèi)生系統(tǒng)中的應用并與相關(guān)分析進行比較，有助于對水文系統(tǒng)內(nèi)部各因素之間的關(guān)系進行恰當分析。

2　灰色徑向基神經(jīng)網(wǎng)絡(luò)模型

2.1人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)（簡稱ANN）的研究是人類探索模仿腦神經(jīng)系統(tǒng)信息智能裝置的一個重要領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)是由許多具有非線性映射能力的神經(jīng)元組成，神經(jīng)元之間通過權(quán)系數(shù)相連續(xù)，能從已知數(shù)據(jù)中自動的歸納規(guī)則，從而獲得這些數(shù)據(jù)的內(nèi)在規(guī)律，具有很強的非線性映射能力，尤其是基于誤差反向傳播算法的多層前饋網(wǎng)絡(luò)（簡稱BP網(wǎng)絡(luò)），可以以任意精度逼近任意連續(xù)函數(shù)。

2.2人工神經(jīng)網(wǎng)絡(luò)的分類

從不同的角度對生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)不同層次的抽象和摸擬，構(gòu)成了各種類型的神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)從網(wǎng)絡(luò)的性能角度可分為連續(xù)型與離散型網(wǎng)絡(luò)、確定性與隨機性網(wǎng)絡(luò)；從網(wǎng)絡(luò)結(jié)構(gòu)角度可分為前向網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)；從學習方式的角度可分為有導師學習網(wǎng)絡(luò)和無導師學習網(wǎng)絡(luò)；按連接突觸性質(zhì)可分為一階線形關(guān)聯(lián)網(wǎng)絡(luò)和高階非線形關(guān)聯(lián)網(wǎng)絡(luò)。從功能特性和學習特性來看，典型的神經(jīng)網(wǎng)絡(luò)模型主要包括感知器、線性神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、自組織映射網(wǎng)絡(luò)和反饋神經(jīng)網(wǎng)絡(luò)等。

2.3徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

徑向基神經(jīng)網(wǎng)絡(luò)具有良好的函數(shù)逼近能力。RBF神經(jīng)網(wǎng)絡(luò)以徑向基函數(shù)（RBF）做為隱單元的“基”，構(gòu)成隱含層空間，隱含層對輸入矢量進行變換將低維的模式輸入數(shù)據(jù)變換到高維空間內(nèi)，使得在低維空間內(nèi)的線性不可分問題在高維空間內(nèi)線性可分。RBF神經(jīng)網(wǎng)絡(luò)由三層構(gòu)成，第一層為輸入層，第二層為隱含層，第三層是輸出層。

圖1為徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，它主要由輸入層、隱含層和輸出層3層組成。對于RBF來說，輸入層的作用是傳遞和輸入信號，輸出層主要對線性權(quán)進行調(diào)整，隱含層對激活函數(shù)進項調(diào)整。輸入層和隱含層由于所起的作用不同，所以他們的學習策略也不同。同時，學習速度差異也較大，前者較快。

圖1　徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3　灰色徑向基神經(jīng)網(wǎng)絡(luò)技術(shù)在清河水庫徑流預報中的應用

3.1預報因子的選取

通過對清河水庫1961～2010年的資料進行分析，將前一年10月份至本年9月份劃分為一周期進行分析，以此定義為預報單位年。選取汛期前一年10月份到本年5～8個月的月來水量作為夏汛預報因子，對本年的夏汛（6～9月）來水量進行預報；選取春汛前一年10月份到本年2月份這5個月的月來水量作為春汛預報因子，對本年的春汛（3～4月）來水量進行預報。

3.2參考典型年份的確定

引入灰色系統(tǒng)中灰色關(guān)聯(lián)度的概念。分別計算需要預報年份春汛之前5個月各月來水量與歷年同期來水量之間的關(guān)聯(lián)度和夏汛之前8個月各月來水量與歷年同期來水量之間的關(guān)聯(lián)度，關(guān)聯(lián)度越大，即該年來水過程與所需預報年份來水過程相似度越高。再對關(guān)聯(lián)度較高的年份進行分析，選取適當?shù)哪攴葑鳛榈湫湍旯╊A報參考。

3.3徑向基神經(jīng)網(wǎng)絡(luò)中長期水文預報模型的構(gòu)建

人工神經(jīng)網(wǎng)絡(luò)是通過模擬人腦的神經(jīng)處理信息的方式，進行信息并行處理和非線性轉(zhuǎn)換的復雜網(wǎng)絡(luò)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)具有很強大的學習能力，可以比較輕松地實現(xiàn)非線性映射過程，并且具有大規(guī)模的計算能力，所以神經(jīng)網(wǎng)絡(luò)在計算機和人工智能等領(lǐng)域有著廣泛的應用。Mat1ab軟件中提供了神經(jīng)網(wǎng)絡(luò)工具箱，含有豐富的神經(jīng)網(wǎng)絡(luò)函數(shù)。徑向神經(jīng)網(wǎng)絡(luò)屬于前向型神經(jīng)網(wǎng)絡(luò)，本模型將選取的典型年份的春汛之前5個月來水量設(shè)為P1，典型年份春汛來水量設(shè)為T1，構(gòu)建徑向基神經(jīng)網(wǎng)絡(luò)進行訓練，設(shè)定誤差值為0。輸入預報年的預報因子，進行仿真，預報該年春汛來水量；將選取的典型年份的夏汛之前8個月來水量設(shè)為P2，典型年份夏汛來水量設(shè)為T2，構(gòu)建徑向基神經(jīng)網(wǎng)絡(luò)進行訓練，設(shè)定誤差值為0。輸入預報年的預報因子，進行仿真，預報該年夏汛來水量供預報參考。

3.4預報結(jié)果對比分析

現(xiàn)以1970～2010年夏汛來水量預報為例，分別計算原方法預報值相對誤差和新方法預報值相對誤差，并進行對比分析，見圖2和附表。

圖2　197O～2O1O年總的相對誤差對比圖

附表　夏汛來水量預報新舊方法相對誤差值對比

從附表可以看出，新方法相對誤差小于1.000 為35年，占統(tǒng)計年數(shù)的85%；小于0.500的為25年，占統(tǒng)計年數(shù)的61%；小于0.400的為20年，占統(tǒng)計年數(shù)的49%；小于0.300的為12年，占統(tǒng)計年數(shù)的29%；小于0.200的為6年，占統(tǒng)計年數(shù)的15%。而原方法相對誤差小于1.000為27年，占統(tǒng)計年數(shù)的66%；小于0.500的為17年，占統(tǒng)計年數(shù)的41%；小于0.400的為17年，占統(tǒng)計年數(shù)的41%；小于0.300的為11年，占統(tǒng)計年數(shù)的27%；小于0.200的為6年，占統(tǒng)計年數(shù)的15%。

4　結(jié)　論

從原方法與新方法相對誤差總體統(tǒng)計分析可以得出，灰色徑向基神經(jīng)網(wǎng)絡(luò)中長期水文預報模型在較大程度上提高了清河水庫夏汛來水量的預報精度，取得了良好的效果。

作者簡介：劉秀華（1968-），女，遼寧昌圖人，大學本科，高級工程師，主要從事水庫調(diào)度工作。

收稿日期：（2016-02-26）