山区流域洪水流量神经网络预报模型研究

发布时间：2020-06-21 01:23

【摘要】：山区中小流域由于受独特的自然地理位置和气候条件影响,往往洪涝灾害频繁发生,给当地带来巨大损失。为了减轻洪涝灾害造成的损失,搞好山区中小流域的防洪减灾工作,特别是洪水预报工作,显得尤其重要。论文将神经网络原理应用于山区流域,建立神经网络洪水预报模型,以崇阳溪流域为实例进行深入研究。主要内容如下:(1)介绍梯度下降反向传播(梯度下降BP)、Levenberg-Marquardt反向传播(LMBP)、径向基函数插值(RBF)三种神经网络算法的基本原理。(2)分析崇阳溪流域的洪水特性,采用水文统计方法计算干流建阳水文站、上游支流崇阳溪武夷山水文站、麻阳溪麻沙水文站三个站点的各频率洪水流量。同时根据洪水过程资料综合分析确定上游支流崇阳溪武夷山水文站、麻阳溪麻沙水文站到下游干流建阳水文站的洪水传播时间τ1、τ2。(3)以支流武夷山站前τ1小时洪水流量Q1(t-τ1)、麻沙站前τ2小时洪水流量Q2(t-τ2)两个变量作为模型的输入、下游干流建阳站相应洪水流量Q(t)为输出,分别采用梯度下降BP、LMBP、RBF三种算法建立崇阳溪流域洪水流量神经网络预报模型,其中的网络有关参数通过试算优化得出。(4)从流域的实际情况与提高预见期的角度出发,拟定适当的T(一般T≥τ1或τ2),然后选择下游干流建阳站前T小时洪水流量Q(t-T)、上游支流武夷山站前τ1小时洪水流量Q1(t-τ1)、麻沙站前τ2小时洪水流量Q2(t-τ2)三个变量作为模型的输入,下游干流建阳站相应洪水流量Q(t)为输出,分别采用梯度下降BP、LMBP、RBF三种算法建立崇阳溪流域洪水流量神经网络预报模型,其中网络的有关参数通过试算优化得出。(5)对比分析梯度下降BP、LMBP、RBF三种算法、上述两种输入模式共六个种类的崇阳溪流域洪水流量神经网络预报模型,并对模型预报误差进行分析评定。结果表明三种算法、两种输入模式建立的神经网络洪水预报模型时效性比较强、预测精度均符合要求,可以作为防汛部门预测洪水的依据之一,为山区中小流域的防汛调度提供依据,从而达到防洪减灾的目的。相对来说,梯度下降BP、RBF两种算法的神经网络模型精度略高于LMBP算法,考虑了干流建阳站前T小时洪水流量的模型预测精度略高于不考虑建阳站前T小时洪水流量的模型,其中考虑建阳站前T小时洪水流量的梯度下降BP网络模型效果最好。
【学位授予单位】：福州大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TV122;P338
【图文】：

生物神经元

第二章人工神经网络算法逡逑神经网络逡逑网络是一种参照生物神经网络的行为特征以及信息处理量形式简单的、相互高度连接的计算单元组成。它具有从己知的数据中寻找潜在规律。这是一种在现代神经科数学模型，其数学结构类似于图２－１所示的大脑神经突网络。Ｈｅｃｈｔ－Ｎｉｅｌｓｅｎ给出的人工神经网络定义是：“人工是以有向图为拓扑结构的动态系统，通过对连续或断续信息处理”邋［７２１。神经网络由大量的计算节点相互联接构的函数，称为传输函数，来完成输入到输出间的变换。予一个数值（向量），称为权值（权值向量），能以放大的信号。网络的响应则依网络的连接方式、权值和传输其他神经元的神经末梢逡逑

示意图,多层神经网络,示意图,输出向量

邋＾Ｒ＾Ｖｂ］逡逑Ｐｒ邋，逡逑图２－２神经元示意图逡逑多个神经元并列组成神经网络的“层”。输入向量的每一个元素均输入到一个层中逡逑各个神经元中。每个神经元均可得到一个输出，将所有神经元的输出结合可得到“层”逡逑的输出向量。输出向量再经下一层得到有一个输出向量，这样多层的神经元串联构逡逑就成神经网络，见图２－３。每层具有权值矩阵Ｗ、偏置向量ｂ及输出向量ａ。前一层逡逑的输出为后一层的输入。整个神经网络可以用下式表示：逡逑，丨＝ｒ＋丨（『＋丨，＋邋ｉ＾＋丨）逦（２－２）逡逑网络的首层从外部接受输入：逡逑ａ°＝ｐ逦（２－３）逡逑最后一层输出作为网络的输出：逡逑ａ邋＝邋ａ从逦（２－４）逡逑其中：邋ｍ＝０，ｌ，２，逦Ｍ－１逡逑ａ——输出向量逡逑Ｗ——权值矩阵逡逑ｂ逦偏置向量逡逑Ｍ一一网络的层数逡逑９逡逑

【参考文献】