小波神经网络改进算法在来水量预测中的应用_陶猛

３８

（）文章编号：１００７－４９２９２０１３１０００３８０３－－

节水灌溉·２０１３年第１０期

小波神经网络改进算法在来水量预测中的应用

陶　猛，徐淑琴，李洪涛

（）东北农业大学水利与建筑学院，黑龙江哈尔滨１５００３０

中小河流的径流量表现出十分复杂的变化特征，如高度非线性、多时间尺度特征、时频序列，严重影响预　　摘　要：

测的准确性。由于常规的分析法难以建立有效的预测模型，所以为了提高预测精度，提出了一种改进小波神经网络的来水量预测模型，利用非线性小波函数取代了Ｂ有Ｐ神经网络通常用的Ｓｉｍｏｉｄ函数作为隐含层节点的传递函数，ｇ效地避免神经网络结构设计的盲目性，同时也有更强的学习能力且精确更高。取实例建模分析，并建立ＢＰ网络模型与之比较，结果表明，小波神经网络提高了径流量预测精度。

中小河流径流量；小波神经网络；Ｓｉｍｏｉｄ函数；ＢＰ神经网络；　　关键词：ｇＴＶ１２１　　文献标识码：Ａ　　中图分类号：

ＡｌｉｃａｔｉｏｎｏｆＷＮＮＩｍｒｏｖｅｄＡｌｏｒｉｔｈｍｉｎＩｎｆｌｏｗ　ＷａｔｅｒＦｏｒｅｃａｓｔ　　　　　　　ｐｐｐｇ

，ｉｎ，ＴＡＯ　ＭｅｎＸＵＳｈｕＬＩＨｏｎｔａｏ　－　－ｑｇｇ

（，Ｎ，Ｈ）ＣｏｌｌｅｅｏｆＷａｔｅｒＣｏｎｓｅｒｖａｎｃａｎｄＣｉｖｉｌＥｎｉｎｅｅｒｉｎｏｒｔｈｅａｓｔＡｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔａｒｂｉｎ１５００３０　　　　　　　　ｇｙｇｇｇｙ　

：，，ｍＡｂｓｔｒａｃｔＴｈｅｓｅｒｉｅｓｏｆｒｕｎｏｆｆｉｎｓｍａｌｌａｎｄｍｅｄｉｕｍ　　　　　　　－ｓｉｚｅｄ　ｒｉｖｅｒ　ｄｉｓｌａｃｏｍｌｅｘ　ｆｅａｔｕｒｅｓｓｕｃｈ　ａｓ　ｈｉｈｌｎｏｎ－ｌｉｎｅａｒｕｌｔｉ－ｔｉｍｅ　ｓｃａｌｅ　　ｐｙｐｇｙｒｅｄｉｃｔｉｏｎ　ｗｈｉｃｈ　ｃｈａｎｅ　ｗｉｔｈ　ｔｈｅ　ｔｉｍｅ．Ｔｈｉｓ　ｓｅｒｉｏｕｓｌａｆｆｅｃｔｓ　ｔｈｅ　　ａｃｃｕｒａｃ．Ｓｉｎｃｅ　ｉｔ　ｉｓ　ｄｉｆｆｉｃｕｌｔ　ｔｏ　ｅｓｔａｂｌｉｓｈ　ａ　ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎｆｅａｔｕｒｅｓ　ｐｇｙｙ，，ｔｈｅ　ｒｅｕｌａｒ　ａｎａｌｓｉｓ　ｍｅｔｈｏｄｓｉｎ　ｏｒｄｅｒ　ｔｏ　ｉｍｒｏｖｅ　ｔｈｅ　ａｃｃｕｒａｃａｎ　ｉｍｒｏｖｅｄ　Ｗａｖｅｌｅｔ－Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｉｓ　　ｆｏｒｗａｒｄ　ｔｏ　ｕｔｒｅｄｉｃｔｇｙｐｙｐｐｐ，ｗ　ｗａｔｅｒｈｉｃｈ　ｕｓｅｓ　ａ　ｎｏｎ－ｌｉｎｅａｒ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ　ａｓ　ｔｈｅ　ｔｒａｎｓｆｅｒ　ｆｕｎｃｔｉｏｎ　ｏｆ　ｔｈｅ　ｈｉｄｄｅｎ　ｌａｅｒ　ｎｏｄｅｓ　ｉｎｓｔｅａｄ　ｏｆ　ｔｈｅ　ｒｅｕｌａｒ　ｎｏｎ－ｌｉｎｅａｒｔｈｅｙｇ?Ｓｉｍｏｉｄ　ｆｕｎｃｔｉｏｎ　ｉｎ　ＢＰ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　ａｎｄ　ａｖｏｉｄｓ　ｔｈｅ　ｂｌｉｎｄｎｅｓｓ　ｏｆ　ｔｈｅ　ｓｔｒｕｃｔｕｒｅ　ｄｅｓｉｎ　ｏｆ　ｔｈｅ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　ａｎｄ　　ｂｅｔｔｅｒ　ａｂｉｌｉｔｅｔｇｇｙｇｔｏ　ｌｅａｒｎ　ｍｏｒｅ　ａｃｃｕｒａｔｅｌ．Ｔｈｅｎ　ａ　ｍｏｄｅｌ　ｆｏｒ　ｒｅａｌ－ｃａｓｅ　ｉｓ　ｅｓｔａｂｌｉｓｈｅｄ　ａｎｄ　ｃｏｍａｒｅｄ　ｗｉｔｈ　ｔｈｅ　ＢＰ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ．Ｔｈｅ　ｒｅｓｕｌｔ　ｓｈｏｗｓ　ｔｈａｔｙｐｔｈｅ　ｉｍｒｏｖｅｄ　Ｗａｖｅｌｅｔ－Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　ｔｏ　　ｔｈｅ　ｉｎｆｌｏｗ　ｗａｔｅｒ　ｉｓ　ｍｏｒｅ　ａｃｃｕｒａｔｅ．ｕｓｉｎｒｅｄｉｃｔｐｇ　ｐ

：；；ｗ；Ｋｅｗｏｒｄｓｒｕｎｏｆｆ　ｏｆ　ｔｈｅ　ｓｍａｌｌ　ａｎｄ　ｍｅｄｉｕｍ－ｓｉｚｅｄ　ｒｉｖｅｒＳｉｍｏｉｄ　ｆｕｎｃｔｉｏｎａｖｅｌｅｔ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｙｇ　

合小波变换的优越性，添加了平移因子和伸缩因子，提高了自学习、自适应能力，同时有效地克服了传统ＢＰ模型本身所固有的一些缺陷，是近些年新流行数学建模拟合分析方法之一，还因为其在水文领域发展还不是很成熟，应用的实际情况还不多

２，３］

。通过增加动量项处所以本文将其引入来水量的预测［见，

０　引　言

猪蹄河隶属松花江二级支流，其下游是双阳灌区，该灌区主要用水的６其来水量直接影响０％来自于猪蹄河坝址取水口，下游灌区的农业灌溉和农作物产量，对灌区水资源合理配置和优化调度有重要影响，来水量预测也是水资源管理的非工程措施，预测结果对当地经济生态环境保护提供重要保障，因此，对坝址的来水量预测特别重要。目前对来水量的预测方法有很

１］

。近些其中有马尔科夫链，灰色理论，时间序列分析等［多种，

理小波神经网络理论对猪蹄河坝址来水量进行建模和对数据进行整体拟合预测。

１　来水量预测模型理论

１．１　小波分析的基本理论

）小波分析（具有良好时、频多分变率功能，ｗａｖｅｌｅｔ　ａｎａｌｓｉｓｙ通过对时间序列的多尺度分析，有效识别主要频率成分和提取局部信息，传统的信号分析是建立在Ｆ由ｏｕｒｉｅｒ的基础之上的，

年来人工神经网络方法比较普遍，但由于网络结构不容易确定，其算法存在陷于局部极小使算法难于收敛，影响模型预测的可靠性和准确性。小波神经网络模型的显著特点是利用小波分析的多分辨率功能和人工神经网络的非线性逼近能力，结

收稿日期：２０１３０４２５－－

（）。基金项目：黑龙江省教育厅科研项目《黑龙江省灌区水资源动态预测方法与应用研究》１１５５１０４４，：作者简介：陶　猛（男，硕士，研究方向为农业水土工程。Ｅ－ｍ１９８８－）ａｉｌ３８４１１０３７４＠ｑ．ｃｏｍ。ｑ

，：通讯作者：徐淑琴（女，博士研究生，教授，主要从事节水灌溉及水资源优化利用与管理研究。Ｅ－ｍ１９６４－）ａｉｌｘｕｓｈｕｉｎ１９６４＠１６３．ｃｏｍ。ｑ

于Ｆ因此无法表述信号的ｏｕｒｉｅｒ分析使用的是一种全局变换，时频局域性质，而这种性质恰恰是非平稳信号最根本和关键的

１］

。小波分析关键在于引入了满足一定条件的基本小波性质［

本文中采用的小波基本函数为Ｍ即ｙ＝ｏｒｌｅｔ小波，

－ｘ

（ｃｏｓ１．７５ｘ）ｅ

２／２

。

１．２．２　小波神经网络算法训练步骤

（）网络参数的初始化，将小波的伸缩因子ｏ平移因子１ｋ、网络连接权值、学习率以及动量因子赋予初始值，并置输入ｋ、ｐ

样本计算器Ｐ＝１；

（）样本分类，把样本分为训练样本和测试样本，训练样本２

测试样本用于测试网络预测精度；用于训练网络，

）（输入训练样本及相应的期望输出，并计算隐含层及输３出层的输出；

（）计算误差及梯度向量；４

）（判断算法是否结束，当Ｅ＜即代价函数小于预先５ξ时，（），设定的某一精度值ξ停止网络的学习，否则将计算器重ξ＞０

８］

。并回到步骤３循环［置为１，

为了分析处理非平稳信号，函数代替Ｆｏｕｒｉｅｒ变换中的基函数，小波分析就克服了Ｆｏｕｒｉｅｒ分析不能作局部分析的缺点。小波

∞（）是一种长度有限且平均值为０的波形，即∫＋ｔ …… 此处隐藏：4190字，全部文档内容请下载后查看。喜欢就下载吧 ……