BP人工神經(jīng)網(wǎng)絡(luò)在閘壩調(diào)度管理能力評價中的應(yīng)用①

馬 科,劉 建,孫海勝

1(中國科學(xué)技術(shù)大學(xué) 管理學(xué)院,合肥 230026)

2(淮河流域水資源保護局,蚌埠 230000)

3(中國科學(xué)技術(shù)大學(xué) 計算機科學(xué)與技術(shù)學(xué)院,合肥 230026)

BP人工神經(jīng)網(wǎng)絡(luò)在閘壩調(diào)度管理能力評價中的應(yīng)用①

馬 科1,劉 建2,孫海勝3

1(中國科學(xué)技術(shù)大學(xué) 管理學(xué)院,合肥 230026)

2(淮河流域水資源保護局,蚌埠 230000)

3(中國科學(xué)技術(shù)大學(xué) 計算機科學(xué)與技術(shù)學(xué)院,合肥 230026)

閘壩調(diào)度對于水資源的利用、保護、治理等具有十分重要的作用,本文以閘壩為基本研究單元,構(gòu)建單一閘壩的調(diào)度管理能力評估指標(biāo)體系,基于BP人工神經(jīng)網(wǎng)絡(luò)構(gòu)建閘壩調(diào)度管理能力評估模型. 最后以淮河流域的沙潁河閘壩群為例,進行實例分析驗證了提出模型的可行性.

人工神經(jīng)網(wǎng)絡(luò); 閘壩調(diào)度管理; 評價指標(biāo)體系

由于在天然河道中建立了閘壩,在很大程度上將會改變河流原本固有的水文情勢及水文特性,尤其對河流水質(zhì)水量水生態(tài)的影響更加的明顯. 研究閘壩對河流水質(zhì)水量水生態(tài)的具體影響,對這種影響進行評估,進而得出閘壩對河流水質(zhì)水量水生態(tài)影響的大小,對閘壩的調(diào)度管理能力進行評估. 本文利用人工神經(jīng)網(wǎng)絡(luò)原理,建立閘壩調(diào)度管理模糊綜合評判模型,并將該模型應(yīng)用于閘壩調(diào)度管理的綜合評判.

近年來,國內(nèi)外出現(xiàn)了許多評估閘壩調(diào)度管理能力的模型和方法. 其中,左其亭等初步提出閘壩調(diào)控能力識別技術(shù)研究框架,為閘壩調(diào)度管理能力的評估提供理論支持[1]; 喻光曄等構(gòu)建了淮河流域閘壩聯(lián)合調(diào)度綜合評價指標(biāo)體系[2]; 王昭亮在其碩士論文中構(gòu)建了閘壩群水質(zhì)水量聯(lián)合調(diào)度的數(shù)學(xué)模型,并以歷史發(fā)生的特大污染事件為例,進行了模擬調(diào)度仿真,驗證了模型的可行性[3]; 張帆等通過分析鄭州市河流閘壩,對城市生態(tài)水系進行概化,建立鄭州市河流閘壩調(diào)度模型,并運用MIKE BASIN軟件進行河道演進及模型求解[4];陸建紅基于改進的SWAT模型開展河流閘壩生態(tài)調(diào)度與生態(tài)友好的清污輪灌模式研究[5].

目前,國內(nèi)外基于人工神經(jīng)網(wǎng)絡(luò)對閘壩調(diào)度管理評價理論的研究相對較少,與層次分析法、模糊理論分析法等相比,基于人工神經(jīng)網(wǎng)絡(luò)的評價方法,是更接近于人類思維模式的定性和定量相結(jié)合的綜合評價方法,具有較為顯著的優(yōu)越性[6]: ① 閘壩調(diào)度管理的評價綜合性強,涉及水質(zhì)、水量、水生態(tài)以及管理情況等各種因素,其因素之間相互影響,存在著復(fù)雜的非線性關(guān)系. 基于人工神經(jīng)網(wǎng)絡(luò)的評價方法具有神經(jīng)網(wǎng)絡(luò)自組織、自適應(yīng)能力,人工神經(jīng)網(wǎng)絡(luò)具有強大的非線性映射能力[7],避免評價過程中的人為因素及模糊隨機性的影響. ② 人工神經(jīng)網(wǎng)絡(luò)具有較強的容錯能力,能夠處理有噪聲或不完全的數(shù)據(jù),評價結(jié)果更科學(xué)、準(zhǔn)確. ③人工神經(jīng)網(wǎng)絡(luò)具有較強的自學(xué)習(xí)能力和泛化能力,通過學(xué)習(xí)新的樣本,利用已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)模型進行評價,只需輸入基礎(chǔ)數(shù)據(jù),可免除繁重的計算,實用性較強. ④ BP人工神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)中應(yīng)用較為廣泛的一種[8]. 因此,采用 BP 人工神經(jīng)網(wǎng)絡(luò),對閘壩調(diào)度管理進行評價研究.

1 評估指標(biāo)體系的構(gòu)建

1.1 指標(biāo)體系構(gòu)建

閘壩調(diào)度是防止流域突發(fā)性水污染事故、改善流域生態(tài)與環(huán)境的有效途徑之一. 同時閘壩調(diào)度也存在各種各樣的方式,單個閘壩的開度不同及多個閘門的不同開啟方式會形成閘壩調(diào)度的多種組合方式及調(diào)度方案,因此,閘壩調(diào)度管理能力會受到河流的水質(zhì)、水量、水生態(tài)等眾多因素的影響,因此在選取評價指標(biāo)時會存在一定的困難.

本文是在遵循客觀性、保序性、協(xié)調(diào)性等原則的基礎(chǔ)上,從水量、水生態(tài)、管理相關(guān)三個方面,通過項目會議頭腦風(fēng)暴法,以及專家打分和實地調(diào)研,最終確定7個評價指標(biāo),如表1所示.

(1) 閘壩前生態(tài)可調(diào)水量

在某一瞬間,閘壩前蓄水量是一定的,考慮到閘壩同時承擔(dān)其他的供水任務(wù),可得到閘壩用于調(diào)度的水位下限,結(jié)合閘壩的庫容曲線,可根據(jù)閘前蓄水量和可調(diào)度水位下限求得此時閘前可用于調(diào)度的水量,單位萬立方米. 以最高和最低劃分5個梯度,分別賦分5/4/3/2/1分.

表1 閘壩調(diào)度管理能力評估指標(biāo)體系

(2) 調(diào)水傳播時間

閘門開啟后,調(diào)水到達控制斷面需要經(jīng)過一定的傳播時間,傳播時間的長短對調(diào)度也是有很大影響的,傳播時間越短,說明閘壩的調(diào)控能力越大. 可以用河段長度L比上河段流速v得到閘壩調(diào)水后到達下一級閘壩所需的時間t. 由于v不好測定,故用L來模糊表達.計算的L取每個閘壩到生態(tài)控制斷面的距離(此次對沙潁河閘壩評價,生態(tài)控制斷面為潁上). 以最短和最長劃分5個梯度,分別賦分5/4/3/2/1分.

(3) 閘壩下游河段取用水情況

沿河道取用水直接決定了所調(diào)水量能否有效到達需水河段. 沒有具體信息我們可以根據(jù)沿途經(jīng)過的城鎮(zhèn)給他一個假定. 取用水程度越高,評分越低,滿分5分.

(4) 閘壩前可調(diào)水環(huán)境余量

閘壩前可調(diào)水能夠容納污染物的能力. 以目標(biāo)水質(zhì)對應(yīng)的污染物濃度與當(dāng)前污染物濃度的差值確定.以最大和最小劃分5個梯度,分別賦分5/4/3/2/1分.

其中,R為閘壩環(huán)境余量,單位是t;W1為閘壩前可調(diào)水量,單位萬立方米;q為上游來水流量,單位是立方米每秒; 在這里取為各閘壩河段年均徑流量; ?t為閘壩調(diào)度時間,單位是天 (d),在這里計算取 2 天;C0、C1、C2分別為目標(biāo)水質(zhì)(所要達到的水質(zhì))、閘前蓄水水質(zhì)(閘壩平均水質(zhì),實時評價取實時的水質(zhì)情況)、上游來水水質(zhì)對應(yīng)的污染物質(zhì)濃度,單位是mg/L;100和0.0864為單位換算系數(shù).

由于q?t相對于W1很小,故后一項可以忽略不計.評價中公式可簡化為:R=100W1(C0?C1)

(5) 閘壩管理情況

根據(jù)閘壩主管部門及管理單位內(nèi)部情況對調(diào)令下達到執(zhí)行經(jīng)過的部門節(jié)點數(shù)對閘壩管理情況進行評分,滿分為5分.

(6) 閘壩建筑物現(xiàn)狀工況

閘壩建設(shè)時間,建設(shè)時的功能和設(shè)計參數(shù),維修情況及現(xiàn)狀運行狀態(tài)等影響閘壩的調(diào)度運行能力. 比如閘壩/水庫的設(shè)計流量,還有比如閘壩在建設(shè)時有無考慮流量觀測站和生態(tài)放水洞. 綜合考慮進行評分,滿分5分.

(7) 閘壩應(yīng)急處置能力

突發(fā)水污染事故應(yīng)急響應(yīng)時效、有無應(yīng)急預(yù)案等.也是根據(jù)綜合考慮進行評分,滿分5分.

1.2 指標(biāo)體系權(quán)重確定

確定權(quán)重值的方法有很多,比如專家打分法、調(diào)查統(tǒng)計法、主成分分析法、數(shù)理統(tǒng)計分析法、模糊逆方程法及層次分析法. 由于閘壩調(diào)度管理能力評價指標(biāo)中某些數(shù)據(jù)很難直接獲取,故,本文中采用專家打分-層次分析法確定指標(biāo)權(quán)重,層次分析法是用定性分析與定量分析相結(jié)合的方式對一些復(fù)雜問題提供決策依據(jù)[9].

層次分析法確定閘壩調(diào)度管理評價指標(biāo)權(quán)重的步驟如下:

第一步. 判斷矩陣構(gòu)造.

第二步. 求解特征向量即權(quán)數(shù)分配.

第三步. 進行一致性檢驗.

① 計算特征值

② 計算CR

表2 閘壩各評價指標(biāo)的判斷矩陣及相應(yīng)的權(quán)重

根據(jù)專家打分意見,判斷矩陣構(gòu)造表2. 采用層次單排序根據(jù)公式(1)(2)(3)計算得W=(0.1747,0.1929,0.0965,0.1582,0.0965,0.1747,0.1065)T,根據(jù)公式(5)(6)λmax=7.1074、CI=0.0179、RI=1.36、CR=0.0132<0.10,說明通過一致性檢驗,得到閘壩評價指標(biāo)的權(quán)數(shù)且分配合理,見表2.

2 改進 BP 人工神經(jīng)網(wǎng)絡(luò)

2.1 模型構(gòu)建

人工神經(jīng)網(wǎng)絡(luò) (Artificial neural network)是在人工智能飛速發(fā)展背景下誕生的一種機器學(xué)習(xí)方法,它模擬了人腦神經(jīng)元的基本結(jié)構(gòu),反映了人腦的某些基本特征和工作機理[11]. 人工神經(jīng)網(wǎng)絡(luò)正是人類在其大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識理解的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)[12].

采用拓?fù)浣Y(jié)構(gòu)如圖1所示含輸入層、隱含層、輸出層三層BP神經(jīng)網(wǎng)絡(luò)[13]建立閘壩調(diào)度管理評價模型.

圖1 三層 BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

(1) 圖1 中,xp為第p個樣本的評價指標(biāo)向量,記為xp={xp1,xp2,···,xpn};n表示輸入節(jié)點數(shù),即評價指標(biāo) 數(shù);m表 示 隱 含 層 節(jié) 點 數(shù) 目;wkj(j=1,2,···,n;k=1,2,···,m)為輸入層第j節(jié)點到隱含層第k節(jié)點的連接權(quán)值;ypk(k=1,2,···,m)為樣本p的隱含層第k節(jié)點的輸出;wk(k=1,2,···,m)為隱含層第k節(jié)點到輸出層的連接權(quán)值;bp為樣本p的輸出.

(3) 用Sigmoid函數(shù)描述每個節(jié)點的輸出與輸入之間的非線性關(guān)系,即f(x)=(1+e?x)?1.

(4) 隱含層樣本p的輸出計算如下,其中θ表示隱含層節(jié)點k的偏置值:

(5) 輸出層樣本p的輸出計算如下,其中θ表示輸出層輸出節(jié)點的偏置值:

BP人工神經(jīng)網(wǎng)絡(luò)對樣本的學(xué)習(xí)過程,就是選取適當(dāng)?shù)挠?xùn)練函數(shù)使E極小化的過程. 從輸入層向輸出層計算,輸入已知的學(xué)習(xí)樣本,可按上面的公式計算每一層神經(jīng)元的輸出; 若輸出層結(jié)果的誤差不滿足精度要求,則再從輸出層向輸入層計算,修改連接權(quán)值和偏置值[6].

(7) 從輸入層像輸出層,再從輸出層向輸入層,兩過程反復(fù)循環(huán),直到滿足相應(yīng)的精度要求.

2.2 模型訓(xùn)練

通過專家打分-層次分析法,獲取不同專家對各指標(biāo)重要性評判的信息并根據(jù)重要性由大到小分別取5分、4分、3分、2分、1分進行打分,根據(jù)各評價指標(biāo)重要性的得分,通過層次分析法計算出權(quán)重系數(shù)[15],從而得到不同專家對閘壩調(diào)度管理評價指標(biāo)體系各指標(biāo)權(quán)重的判斷. 最終計算得七個指標(biāo)(閘壩前可調(diào)水量、閘壩前可調(diào)水環(huán)境余量、閘壩管理情況、閘壩建筑物現(xiàn)狀工況、調(diào)水傳播時間、閘壩應(yīng)急處置能力、閘壩上下游取用情況)的權(quán)重分別為0.1747,0.1929,0.0965,0.1582,0.0965,0.1747,0.1065.

用 Matlab 的函數(shù) round(rand(1,7)*5),隨機生成30組項目的評價指標(biāo)評價值,任意指標(biāo)的評價值取5、4、3、2和1分別代表優(yōu)秀、良好、一般、及格和不及格. 依據(jù)專家對指標(biāo)權(quán)重的判斷,計算出項目的專家評價值,得到此項目的綜合評價值,最終30組數(shù)據(jù)及綜合評價值見表3.

表3 網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)表

基于BP人工神經(jīng)網(wǎng)絡(luò)的閘壩調(diào)度管理評價模型的算法實現(xiàn)過程為:

(1) 確定BP網(wǎng)絡(luò)結(jié)構(gòu)參數(shù),即各層神經(jīng)元節(jié)點數(shù).采用圖1所示3層BP網(wǎng)絡(luò)結(jié)構(gòu),根據(jù)建立的評價指標(biāo)體系,利用跟水質(zhì)、水生態(tài)及管理情況相關(guān)的的7個影響因子的級別標(biāo)準(zhǔn)作為訓(xùn)練學(xué)習(xí)樣本,由于輸入層有7個神經(jīng)元,輸出層有一個神經(jīng)元,隱含層的神經(jīng)元數(shù)目可以在此基礎(chǔ)上逐步確定. 根據(jù)經(jīng)驗優(yōu)化關(guān)系及文獻,計算隱含層節(jié)點數(shù)L=(qn)/2(L表示隱含層節(jié)點數(shù),n表示輸入層節(jié)點數(shù),q表示輸出層節(jié)點數(shù))[16],確定隱含層節(jié)點數(shù)為4. 輸出層只有一個神經(jīng)元,是一個代數(shù)值,取值范圍是[1,5],表示對閘壩調(diào)度管理綜合評價的結(jié)果. 分值越高,表示該項目閘壩調(diào)度管理的水平越高.

(2) 以Matlab為工具[17],建立一個輸入層、隱含層、輸出層神經(jīng)元節(jié)點數(shù)分別為7、4、1的人工神經(jīng)網(wǎng)絡(luò),選用trainscg訓(xùn)練函數(shù)、初始化網(wǎng)絡(luò)的權(quán)值和閾值,設(shè)置網(wǎng)絡(luò)學(xué)習(xí)精度為10-6.

(3) 將表3中前24組數(shù)據(jù),以及X1、X2這2組邊界限定樣本數(shù)據(jù)(表4)作為學(xué)習(xí)樣本,輸入網(wǎng)絡(luò),啟動網(wǎng)絡(luò)進行學(xué)習(xí)訓(xùn)練. 通過不斷執(zhí)行迭代過程,至滿足學(xué)習(xí)精度為止,得到較為準(zhǔn)確表示內(nèi)部的神經(jīng)網(wǎng)絡(luò),即合適的輸入與輸出之間的非線性映射關(guān)系. 經(jīng)學(xué)習(xí)訓(xùn)練后的網(wǎng)絡(luò)輸出結(jié)果見表5. 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練曲線圖(圖2)中的a訓(xùn)練曲線可以看出運用trainscg函數(shù)對網(wǎng)絡(luò)進行訓(xùn)練,經(jīng) Matlab 函數(shù)訓(xùn)練,網(wǎng)絡(luò)收斂,達到預(yù)定學(xué)習(xí)精度10-6.

表4 邊界限定樣本數(shù)據(jù)

圖2 網(wǎng)絡(luò)訓(xùn)練曲線

(4) 將表3中后6組數(shù)據(jù)作為校驗數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò),得到綜合評價結(jié)果 (表5). 可見,由神經(jīng)網(wǎng)絡(luò)得到的輸出值與期望值(項目綜合評定值)之間的最大誤差為0.0517%,最大誤差絕對值為0.1678%,平均誤差為-0.0525%. 綜合評價結(jié)果與專家評價結(jié)果基本一致,說明得到的神經(jīng)網(wǎng)絡(luò)所反映的輸入與輸出之間的關(guān)系是正確的,可以有效地應(yīng)用于閘壩調(diào)度管理的評價.

(5) 將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)在Matlab存入文件,當(dāng)遇到閘壩調(diào)度管理的評價問題時,只需輸入待評價項目的指標(biāo)得分矩陣,啟動網(wǎng)絡(luò),即可得到評價結(jié)果.

3 案例分析

3.1 研究區(qū)概況

淮河是我國水環(huán)境治理的重點之一. 流域洪澇災(zāi)害頻繁,修建的閘壩多,發(fā)生的多次重大水污染事件,不僅與水污染來源有關(guān),而且與閘壩群以水量為主的傳統(tǒng)調(diào)度方式有直接聯(lián)系. 淮河位于我國南北方氣候交錯帶,河湖徑流季節(jié)性變化大,水資源開發(fā)利用程度高,由于社會經(jīng)濟發(fā)展,河道內(nèi)生態(tài)用水常被擠占,河道最小生態(tài)基流遭到破壞以及河湖干涸萎縮的現(xiàn)象時有發(fā)生. 淮河干流以北大部分地區(qū)天然基流缺乏,河流閘壩密集,河湖水生態(tài)系統(tǒng)退化嚴(yán)重. 如何在“協(xié)調(diào)防洪、防污矛盾、減少重大水污染事故”的研究基礎(chǔ)上,進一步改善河流水生態(tài)狀況,實現(xiàn)淮河“水質(zhì)-水量-水生態(tài)”聯(lián)合調(diào)度,服務(wù)生態(tài)文明建設(shè)國家戰(zhàn)略目標(biāo),是淮河“十二五”國家水專項重點關(guān)注的目標(biāo)和關(guān)鍵技術(shù)之一. 因此,對淮河流域的閘壩調(diào)度管理進行相關(guān)評估,吸取相關(guān)優(yōu)秀閘壩的經(jīng)驗,有利于為水生態(tài)建設(shè)提供優(yōu)化建議.

3.2 案例選取

選取沙潁河河段的周口閘、槐店閘、耿樓閘、阜陽閘、潁上閘(圖3)的調(diào)度管理能力進行評估并排序.

現(xiàn)對閘壩調(diào)度管理的各項評價指標(biāo)做出評判,由于各評價指標(biāo)中定性因素較多,因此,采用專家評判方法,對各個指標(biāo)從優(yōu)至劣劃分優(yōu)秀、良好、一般、及格和不及格5個等級,分別給以5、4、3、2和1分.a1～a7分別代表閘壩前可調(diào)水量、閘壩前可調(diào)水環(huán)境余量、閘壩管理情況、閘壩建筑物現(xiàn)狀工況、調(diào)水傳播時間、閘壩應(yīng)急處置能力、閘壩上下游取用情況;x1～x5分別代表周口閘、槐店閘、耿樓閘、阜陽閘、潁上閘. 根據(jù)專家打分意見,判斷矩陣構(gòu)造見表7.

將表7的數(shù)據(jù)輸入保存的神經(jīng)網(wǎng)絡(luò)模型,經(jīng)網(wǎng)絡(luò)計算,得到各閘壩調(diào)度管理的綜合評價得分,潁上閘的綜合評分最高為3.8148,是4個閘壩中水質(zhì)、水量、水生態(tài)調(diào)度管理能力最好的. 該評價結(jié)果經(jīng)專家和工程師確認(rèn),符合項目的實際情況. 證明基于BP人工神經(jīng)網(wǎng)絡(luò)的評價模型可以有效地應(yīng)用于閘壩調(diào)度管理評價的實踐.

表5 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

表6 網(wǎng)絡(luò)測試結(jié)果

圖3 沙潁河流域概化圖

表7 閘壩調(diào)度管理能力評估指標(biāo)評分表

4 結(jié)語

基于BP人工神經(jīng)網(wǎng)絡(luò)的閘壩調(diào)度管理評價模型,通過神經(jīng)網(wǎng)絡(luò)提煉,反映了各個閘壩調(diào)度管理評價指標(biāo)與綜合評價結(jié)果之間復(fù)雜的非線性關(guān)系,降低了閘壩調(diào)度管理評價過程中的主觀因素影響,是解決閘壩調(diào)度管理評價問題的有效方法. 本文在現(xiàn)行閘壩調(diào)度管理能力專家打分評價方法的基礎(chǔ)上提出了更客觀的評估方法,應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進行閘壩調(diào)度管理能力評估的可行性,經(jīng)實踐檢驗,該模型應(yīng)用于閘壩調(diào)度管理的評價,可以取得較滿意的結(jié)果.

但作為解決評估問題的一種手段,人工神經(jīng)網(wǎng)絡(luò)也有一些不足存在: 首先模型不是十分穩(wěn)定,建立模型需要一定的技巧,利用人工神經(jīng)網(wǎng)絡(luò)進行評估相關(guān)問題分析,不可能窮盡所有解,因此,很難得到最優(yōu)解,而只能得到滿意解[18]; 其次受獲取資料的局限性,本研究采用專家打分法對相關(guān)指標(biāo)進行評分,其評價標(biāo)準(zhǔn)也存在誤差,對評價結(jié)果也有一定的影響. 如果將各種專家打分評價指標(biāo)后期進行考慮,保留更多定量數(shù)據(jù),采用相關(guān)的數(shù)據(jù)處理,能使結(jié)果更加客觀、準(zhǔn)確地反映閘壩調(diào)度管理相關(guān)情況. 此外,該評價模型在評估閘壩調(diào)度管理能力過程中,BP網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)量的選取方法還有待進一步完善.

1左其亭,劉子輝,竇明,等. 閘壩對河流水質(zhì)水量影響評估及調(diào)控能力識別研究框架. 南水北調(diào)與水利科技,2011,9(2): 18–21,40.

2喻光曄,水艷,李麗華. 構(gòu)建淮河流域閘壩聯(lián)合調(diào)度能力綜合評價指標(biāo)體系. 治淮,2015,(1): 5–7.

3王昭亮,高仕春,張慧云. 閘壩對河流水質(zhì)調(diào)控作用的影響因子. 武漢大學(xué)學(xué)報 (工學(xué)版),2011,44(5): 571–575.

4張帆. 基于生態(tài)的鄭州市閘壩調(diào)度模式研究[碩士學(xué)位論文]. 鄭州: 華北水利水電學(xué)院,2011.

5陸建紅. 基于生態(tài)友好的北運河閘壩調(diào)度與清污輪灌模式研究[博士學(xué)位論文]. 北京: 中國農(nóng)業(yè)科學(xué)院,2012.

6董愛華,閔洲源. 基于BP人工神經(jīng)網(wǎng)絡(luò)的建筑廢料管理評價方法. 同濟大學(xué)學(xué)報 (自然科學(xué)版),2010,38(1):146–150.

7舒予,張黎俐. 基于小波分析與人工神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情預(yù)測. 情報科學(xué),2016,34(4): 40–42,47.

8張學(xué)喜. 遺傳算法和人工神經(jīng)網(wǎng)絡(luò)在邊坡穩(wěn)定性評價中的應(yīng)用[碩士學(xué)位論文]. 合肥: 合肥工業(yè)大學(xué),2007.

9屈正庚. 層次分析法在大學(xué)生選購手機中的研究. 計算機系統(tǒng)應(yīng)用,2015,24(3): 166–170.

10屈正庚. 層次分析法在商洛市農(nóng)家樂評價體系中的研究.計算機系統(tǒng)應(yīng)用,2016,25(9): 236–240. [doi: 10.15888/j.cnki.csa.005378]

11印春生. 人工神經(jīng)網(wǎng)絡(luò)及其它化學(xué)計量學(xué)方法在化學(xué)中的應(yīng)用研究[博士學(xué)位論文]. 合肥: 中國科學(xué)技術(shù)大學(xué),1999.

12呂鯤,崔靈蕊,李北偉. 網(wǎng)絡(luò)信息生態(tài)鏈中信息個體到群體演化過程研究——基于人工神經(jīng)網(wǎng)絡(luò)理論. 情報科學(xué),2016,34(10): 147–151.

13Kabir G,Hasin MAA. Multi-criteria inventory classification through integration of fuzzy analytic hierarchy process and artificial neural network. International Journal of Industrial &Systems Engineering,2013,14(1): 74–103.

14陳均偉,朱正龍,李淵,等. BP 神經(jīng)網(wǎng)絡(luò) PID 的氣動位置控制系統(tǒng)的研究. 數(shù)字技術(shù)與應(yīng)用,2009,(12): 54–55.

15鄧雪,李家銘,曾浩健,等. 層次分析法權(quán)重計算方法分析及其應(yīng)用研究. 數(shù)學(xué)的實踐與認(rèn)識,2012,42(7): 93–100.

16Beigy H,Meybodi MR. A learning automata-based algorithm for determination of the number of hidden units for threelayer neural networks. International Journal of Systems Science,2009,40(1): 101–118. [doi: 10.1080/002077 20802145924]

17閔惜琳,劉國華. 用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱開發(fā)BP網(wǎng)絡(luò)應(yīng)用. 計算機應(yīng)用,2001,21(S1): 163–164.

18朱紅梅,周子英,黃純,等. BP 人工神經(jīng)網(wǎng)絡(luò)在城市土地集約利用評價中的應(yīng)用——以長沙市為例. 經(jīng)濟地理,2009,29(5): 836–839.

Application of the BP Artificial Neural Network in Dam’s Dispatching and Management Ability Assessment

MA Ke1,LIU Jian2,SUN Hai-Sheng3

1(School of Management,University of Science and Technology of China,Hefei 230026,China)
2(Huaihe Water Resources Protection Science Research Institute,Bengbu 230000,China)
3(School of Computer Science and Technology,University of Science and Technology of China,Hefei 230026,China)

The dam’s dispatching plays an important role in the utilization,protection and management of water resources.The dam is used as the basic assessment unit to build dispatching and management ability evaluation index system of a single dam,to build the model based on BP artificial neural networks for dam’s dispatching and management ability evaluation. Finally,taking main dams on Huaihe river for example,the model is applied to verify samples,and the results show that the dam’s dispatching and management ability evaluation model based on BP neural networks is a reasonable and feasible forecasting model.

artificial neural networks; dam’s dispatching and management ability; evaluation index system

馬科,劉建,孫海勝.BP人工神經(jīng)網(wǎng)絡(luò)在閘壩調(diào)度管理能力評價中的應(yīng)用.計算機系統(tǒng)應(yīng)用,2017,26(12):250–256. http://www.c-sa.org.cn/1003-3254/6098.html

國家自然科學(xué)基金(71671168); 國家科技重大專項(2014ZX07204006)

2017-03-13; 修改時間: 2017-03-31; 采用時間: 2017-04-05