基于改进BP神经网络的洪峰预测模型
基于BP神经网络的城市水灾灾情预测模型
基于BP神经网络的城市水灾灾情预测模型
刘建华;张正;吴洁明
【期刊名称】《计算机工程与设计》
【年(卷),期】2005(026)003
【摘要】洪灾灾情预测是保险公司财产保险防灾减损工作的重要内容,它有效地预测出受灾的地区和强度,对于财产保险的费率制定、有效预防、及时施救和防灾预案编制有举足轻重的指导意义.采用了BP神经网络进行灾情预测,在学习过程中结合了聚类,采用了S函数输出限幅,引入了惯性因子,加快了学习的收敛速度,提高了预测的精度.
【总页数】4页(P699-701,734)
【作者】刘建华;张正;吴洁明
【作者单位】北方工业大学,信息工程学院,北京,100041;中国科学院软件研究所,北京,100080;中国科学院软件研究所,北京,100080
【正文语种】中文
【中图分类】TP399
【相关文献】
1.基于自适应过滤与BP神经网络的城市时用水量组合预测模型 [J], 班福忱;吴丹;黑月明
2.基于BP神经网络的灾情预测模型 [J], 张正;黄泰松;左春
3.基于BP神经网络的城市物流需求预测模型研究 [J], 林伟滨
4.基于BP神经网络方法的城市用电量预测模型研究 [J], 冯伟;蒋玮;杨乐;姚建光;
郭亮;吴倩;汤海波
5.基于BP神经网络的城市货运生成预测模型 [J], 韦凌翔;董建军;陈志龙;赵峰因版权原因，仅展示原文概要，查看原文内容请购买。
基于GIS的BP神经网络洪涝灾害评估模型研究_单九生
第31卷第4期江西农业大学学报Vol.31,No.4 2009年8月Acta Agriculturae Universitatis J iangxiensis Aug.,2009文章编号:1000-2286(2009)04-0777-04基于G I S的BP神经网络洪涝灾害评估模型研究单九生1,徐星生2,樊建勇1,管 珉3 (1.江西省气象科学研究所,江西南昌330046;2.江西省气象台,江西南昌330046;3.南京信息工程大学,江苏南京210044)摘要:洪涝灾害损失的大小不仅与洪灾的自然属性有关,还受地形、天气气候、人口、社会经济状况及其分布等因素影响。
基于GI S技术及其背景数据,实现GI S空间信息单元格点上淹没水深的模拟和空间社会经济数据的展布,并针对影响洪涝灾害评估的复杂因子对各空间单元格点损失评估的不确定性和复杂性,提出了BP神经网络计算方法,运用matlab神经网络工具箱实现区域洪涝灾害的快速评估,建立了基于GI S的BP神经网络洪涝灾害评估模型。
运用此方法,通过少量的样本资料,对鄱阳县洪涝灾害经济损失个例进行评估,评估结果误差为12%。
关键词:GI S;matlab;洪涝灾害;BP神经网络中图分类号:S422 文献标识码:AA Study on the Neural Networks Assess mentM odel of Floodand Waterlog D is aster Based on GI SSHAN J iu-sheng1,XU Xing-sheng2,F AN J ian-yong1,G UAN M in3 (1.Meteor ol ogical Science I nstitute of J iangxi Pr ovince,Nanchang330046,China;2.Meteor ol ogical Ob2 servat ory of J iangxi Pr ovince,Nanchang330046,China;3.Nanjing University of I nfor mati on Science and Tech2 nol ogy,Nanjing210044,China) Abstract:Fl oods acr oss China have very different characteristics.There are s o many types of fl ood,depen2 ding on geography,chi m ate/weather characteristics,and hu man populati on,s ocial and econom ic situati ons,etc. Thus,assess ment of fl ood da mage is a comp lex task.Base on the GI S technol ogy and its database,the paper manages t o si m ulate the fl ood dep th and the distributi on of economy on each GI S grid.And t o s olve the uncer2 tainty of the influences of vari ous comp lex fact ors on the econom ic l oss assess ment p recisi on,Back Pr opagati on Neural Net w orks are app lied by the matlab neural net w ork t ool-boxes.Thus,a model of fl ood da mage assess2 ment is constructed.I n this way,with the hel p of a fe w sa mp le datas,the certain Fl ood and W aterl og D isaster A ssess ment can be comp leted more quickly and p recisely in Poyang,and the margin of the err or is12percent2 age points.Key words:GI S;matlab;fl ood and waterl og disaster;BP Neural Net w orks近年来,极端天气事件发生频次愈来愈高,洪涝灾害频繁发生。
基于BP神经网络的尼尔基水库短期洪水预报研究
基于BP神经网络的尼尔基水库短期洪水预报研究
刘涛;孟凡龙;胡宝军
【期刊名称】《黑龙江水利科技》
【年(卷),期】2012(040)010
【摘要】人工神经网络(ANN)诞生于20世纪40年代,兴起于80年代,以其非线性特性、大量的并行分布结构以及出色的学习和归纳能力,广泛应用于水文各要素的预测分析.本次研究利用ANN中最常见的BP(Back Propagation)神经网络,由上游3个控制站(即柳家屯、库漠屯和科后)的流量,模拟出未来24h的尼尔基入库流量,分析二者的非线性关系以用于水库短期洪水预报.预报方案中各预报要素精度均达甲级水平,可用于实际作业预报.
【总页数】4页(P13-16)
【作者】刘涛;孟凡龙;胡宝军
【作者单位】嫩江尼尔基水利水电有限责任公司,黑龙江齐齐哈尔161005;嫩江尼尔基水利水电有限责任公司,黑龙江齐齐哈尔161005;嫩江尼尔基水利水电有限责任公司,黑龙江齐齐哈尔161005
【正文语种】中文
【中图分类】P33
【相关文献】
1.基于BP神经网络的尼尔基水库水质评价 [J], 张正;秦雨;李聪;王兆波;郑国臣;;;;;;
2.中国洪水预报系统在尼尔基水库的应用 [J], 刘宇;韩锐恒;于爽
3.尼尔基水库短期洪水预报方法初探 [J], 颜旭光;周丽;于爽
4.基于BP神经网络和遗传算法的丰满水库洪水预报模型研究 [J], 李成林;杨斌斌
5.基于BP神经网络的尼尔基水库水质评价 [J], 张正[1];秦雨[2];李聪[3];王兆波[4];郑国臣[1]
因版权原因，仅展示原文概要，查看原文内容请购买。
基于MATLAB的神经网络洪峰预测
摘要洪峰流量的预测可以基本定型洪水的规模，可以提前制定合理的防洪预案，及时减少人员伤亡和财产损失，因而预报洪峰流量具有重要意义。
河道水情预报十分复杂，由于受各种因素的影响表现为非线性动力学过程，而且因素之间的变化及相互影响关系也难以确定。
鉴于人工神经网络有很强的处理大规模非线性动力学系统的能力，本文紧紧围绕人工神经网络的数学领域的知识，改进了BP网络洪水预报模型。
具体工作如下：针对洪水预报预测阶段可能超过历史洪峰的情况，在人工神经网络预报模型中，本文把输入单元和输出单元的数据规范在0.2到0.8之间，留有(0,0.2)和(0.8,1)的预报空间，使得预报模型能够顺利预报出高于历史洪峰的洪水水位。
另外，本文采用《水文情报预报规范》中的确定性系数作为目标函数，使得预报结果更加直观。
针对人工神经网络本身是一种静态网络，在复杂河道的预报模型中，本文引入了延迟单元法，即在数据处理时直接从样本模式中提取时间序列特征，使得这样的预报模型具备了对时间序列的识别能力。
本文将BP网络的洪水预报模型应用于武汉地区柳子巷水文站的洪水预报。
对这种预报模型进行了检验，结果表明在合理选择输入层单元数据和预见期的情况下，可以取得很好的预报成果。
关键词：人工神经网络，预报模型，洪水目录第一章绪论1.1水文预报的重要性1.2水文预报的发展1.3存在的问题第二章人工神经网络简介2.1人工神经网络简介2.2误差逆传播算法第三章洪水水位的人工神经网络预报模型3.1引言3.2洪水预报模型的建立3.2.1训练模式对的准备3.2.2输入单元数据的规范化3.2.3输出单元数据的规范化3.3预报结果及总结第四章应用于复杂河段的人工神经网络洪水预报模型4.1问题的提出4.2人工神经网络预报模型4.3应用实例4.4运算结果及分析4.5结论第五章结束语和展望第一章绪论1．1 水文预报的重要性水文系统受天文因子、气候因子、地质地貌因子以及人类活动等的综合作用，表现出高维性和非线性等复杂特征，因此比一般难以建立有效的水温长期预测模型。
基于粒子群优化BP神经网络的台风灾损预测模型研究
人 脑 的基 本 特 征 ，并 对 自然 神 经 网 络 进 行 抽 象 和 模 拟 。人 工 神 经 网络 可 以对 关 系复 杂 或 具 有 不 确
定 性 的 系统 进行 充 分 的 逼 近 ，通 过 训 练 样 本 学 习 获 得输 入 、输 出 的连 接 权 值 ， 自学 习 能 力 对 解 决 大 复 杂度 的 问题 提 供 了 一 种 简 单 、有 效 的 办 法 。 Ｂ Ｐ网络 是 一 种 多 层 前 馈 的神 经 网 络 ，具 备 神 经
中图 分 类 号 ：Ｐ ４ ４ ４；Ｘ ４ ３ 文 献 标 志码 ：Ａ 文 章 编 号 ：１ ０ ０ ０～８ １ １ Ｘ（ ２ ０ １ ３ ） ０ ４— ０ ０ １ １— ０ ６
测 ，并建 立基 于 Ｇ Ｉ Ｓ的台风 灾情 预测信 息 系统 。此
０ 引言
台风 的 发 生 往 往 伴 随 着 暴 雨 、大 风 等 强 对 流 天气 ，并 容 易 引 发 山体 滑 坡 、洪 涝 等 其 他 自然 灾 害 。浙江 省东 濒 东 海 ，南 界 福 建 ，每 年 有 ７～８个
（ 南京信息工程大学 ，江苏 南京 ２ １ ０ ０ ４ ４ ）
摘
要 ：在对浙江省 台风灾 情实际情况研究 的基础上 ，选择 台风路径 预报 平均误差 、预 警能力指数 等 １ ６个 因子
作为输入量 ，用粒 子群算法 （ Ｐ Ｓ Ｏ） 对 Ｂ Ｐ神 经 网络的参 数进 行优 化 ，以避 免陷入局 部 极小和 初始参 数 的抉择 问 题 ，提高模型 的精度和 收敛速度 ，从 而建立 了 Ｐ Ｓ Ｏ — Ｂ Ｐ模型 ，并 将模 型应用 于浙 江 台风灾情 的预测 。最后 ，对 Ｐ Ｓ Ｏ — Ｂ Ｐ网络模型与普通 Ｂ Ｐ模型 的台风灾 情 预测训 练效果 进行 对 比，使 用三个 台风数据测 试 已训练 好 的网络 ， 模型 的预测结果显示 ，Ｐ Ｓ Ｏ — Ｂ Ｐ算法 相较 于 Ｂ Ｐ算法有更高的精度 ，能较好 的反应历年台风灾情的基本趋势 。 关键词 ：防 台减灾 ；台风灾情 ；粒子群算 法 ；Ｂ Ｐ神经 网络 ；浙 江
洪峰流量预测问题
承诺书我们仔细阅读了数学建模选拔赛的规则.我们完全明白，在做题期间不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人研究、讨论与选拔题有关的问题。
我们知道，抄袭别人的成果是违反选拔规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。
我们郑重承诺，严格遵守选拔规则，以保证选拔的公正、公平性。
如有违反选拔规则的行为，我们将受到严肃处理。
我们选择的题号是（从A/B/C中选择一项填写）： A队员签名：1. 王卡伟2. 杜罗丹3. 蔡振月日期： 2013 年 8 月 23 日编号专用页评阅编号（评阅前进行编号）：洪峰流量预测问题摘要本文需要解决对百年一遇问题的解释和对未来洪峰流量预测的问题。
首先我们对百年一遇进行解释，即长时期内平均每年出现的可能性为1%或重现期为一百年。
然后根据对百年一遇洪峰流量的定义，采用%1=p 时的方案，利用MATLAB 作图法作出洪峰流量-经验频率图，再根据三点法利用皮尔逊-Ⅲ即%95505--=P 的洪峰流量，进而计算出偏度系数、偏差系数、离散系数等，最后根据公式)1*(*_+=v p p C Q Q φ求出百年一遇的洪峰值为881.9立方米/秒。
为了预测未来三年水文站的洪峰流量，我们根据给定的过去28年内每年的最大洪峰流量建立BP 神经网络模型，利用matlab 对数据进行归一化处理，然后通过()newff 函数生成一个二层BP 神经网络，再通过()train 函数对已生成的网络进行训练，最后将经过归一化处理的样本数据代入已训练的网络进行仿真模拟，最后将运算结果进行反归一化处理从而得到有效的预测值。
经过仿真预测，我们求得该水文站未来三年的洪峰流量分别为：2013年为638.10立方米/秒，2014年为537.4250立方米/秒，2015年为546.75立方米/秒。
关键词：三点法、百年一遇、BP 神经网络、-p Ⅲ型曲线一、 问题重述我国是世界上洪水最多的国家。
基于bp神经网络模型的昌江流域洪水预报
洪水预报方法ꎬ 即新安江模型和马斯京根模型ꎬ 但
众多ꎬ 准确预报洪水对昌江流域的防洪工作有着极
是ꎬ 由于流域内在 ２０１９ 年新建成了浯溪口水利枢
其重大的意义ꎮ
纽工程ꎬ 改变了流域水文特性ꎬ 需要重新调整水文
２ ＢＰ 神经网络模型的原理
预报模型ꎮ 因此ꎬ 本文构建了人工神经网络模型ꎬ
以昌江流域为例验证了该模型在一定程度上具有准
关键词: ＢＰ 神经网络ꎻ 洪水预报ꎻ 预见期ꎻ 洪峰流量ꎻ 峰现时间
中图分类号: ＴＶ６９７ １ ＋ ３ Ｐ３３８ ９ 文献标识码: Ｂ 文章编号: １６７２￣２４６９(２０２０)０５￣００５８￣０６
洪水预报是防洪非工程的关键措施之一ꎬ 其预
１５３ ｋｍꎬ 设于 １９５６ 年 １２ 月ꎮ 采用吴淞基面ꎬ 实测
Ｅ￣ｍａｉｌ: ｗａｎｇｙｏｎｇｗｅｎ＠ ｎｉｔ ｅｄｕ ｃｎ
水文水资源
２０２０ 年第 ５ 期
水利规划与设计
模型相关参数ꎬ 正向信息传播和反向误差传播这两
个交替迭代过程构成了神经网络的学习过程 [８] ꎮ 正
于设定值时ꎬ 误差的反向传播阶段开始执行ꎮ 反向
传播时ꎬ 输出误差将以特定方式传播到隐层和输出
２０２０ 年第 ５ 期
水文水资源
水利规划与设计
ＤＯＩ: １０ ３９６９ / ｊ ｉｓｓｎ １６７２￣２４６９ ２０２０ ０５ ０１４
基于 ＢＰ 神经网络模型的昌江流域洪水预报
钟 聪１ ꎬ 王永文１ꎬ２ ꎬ 刘卫林１ꎬ２ ꎬ 吴美芳３ ꎬ 程永娟３
(１ 南昌工程学院 水利与生态工程学院ꎬ 江西 南昌 ３３００００ꎻ ２ 江西省水文水资源与水环境重点实验室ꎬ
江西 南昌 ３３００００ꎻ ３ 景德镇市水文局ꎬ 江西 景德镇 ３３３０００)
BP神经网络洪水预报模型在洪水预报系统中的应用
水文JOURNAL OF CHINA HYDROLOGY第35卷第1期2015年2月Vol．35No．1Feb ．,2015随着水文过程理论的不断完善、水文观测资料的丰富积累、地理信息系统和遥感等空间信息获取和处理技术的快速发展，以水文学理论为基础的概念性水文模型和基于水文物理机制的分布式水文模型均取得了长足的进步[1-3]，大大提高了降水径流过程模拟的精度和预报的准确性，尤其是自然流域的洪水过程模拟和定量预报，基本达到了防汛的预警预报实用要求[1-3]。
但在河网水系发达的河口区域（一般在其下游存在回水顶托），影响河道断面流量（或水位）的因素众多，且影响因素与断面的流量（或水位）关系复杂，采用概念型流域水文模型和分布式流域水文模型进行流域产汇流计算和河道洪水演算时，往往存在研究区域内的水文过程（如河道受周期性回水顶托）难以概化、模型模拟所需的资料难以满足及模型的时空尺度难以合理选择等问题，致使具有一定物理基础的流域水文模型应用于该类断面的流量（或水位）计算、预报中精度较差。
此外，很多山区河流水文站通常仅观测水位，而无流量资料，而基于质量、能量守恒的流域水文模型对流量通常能取得较好的模拟精度，但难以对受冲刷和於积作用影响较大的断面水位（水深）进行直接计算和预报。
常规的线性回归等统计方法，亦难以描述河道断面的流量（或水位）与邻近断面的流量（或水位）、区域降水等影响因素间的复杂关系。
BP 人工神经网络用工程技术手段模拟人脑神经网络的结构和功能特征，采用非线性处理单元模拟人脑神经元，用处理单元之间可变联接强度（权重）来模拟突触行为，构成一个大规模并行的非线性动力系统，适于描述系统输入和输出间的复杂关系，已在降水径流过程模拟[4-6]、河道洪水预报[7-11]、水文模型参数与洪水特征属性间的关系[12-13]等水文系统建模中取得广泛的应用。
BP 神经网络应用于专业问题能否成功取决于如下两个主要方面：一是对所研究专业问题的概化，即寻找对水文系统输出（如径流过程、断面流量等）起关键影响的因子以及对其之间存在的关系的分析；二是BP 神经网络自身参数的确定。
基于BP神经网络的北江流域洪灾风险评价
第２９卷第３期２ ０ １ １年３月水 电 能 源 科 学Ｗａｔｅｒ Ｒｅｓｏｕｒｃｅｓ ａｎｄ ＰｏｗｅｒＶｏｌ．２９Ｎｏ．３Ｍａｒ．２ ０ １ １文章编号：１０００－７７０９（２０１１）０３－００５７－０４基于ＢＰ神经网络的北江流域洪灾风险评价赖成光，王兆礼，宋海娟（华南理工大学土木与交通学院，广东广州５１０６４１）摘要：依据灾害系统理论，在ＧＩＳ技术支持下构建了北江流域洪灾风险评价指标体系及基于ＢＰ神经网络的洪灾风险评价模型，评价了北江流域洪灾风险，并与历史发生的大洪水相比较。
结果表明，该模型评价结果较好地反映了流域实况，具有合理性，并提供了洪灾风险评价图。
关键词：北江流域；洪水灾害；风险评价；ＢＰ神经网络；ＧＩＳ中图分类号：ＴＶ１２２文献标志码：Ｂ收稿日期：２０１０－０９－１５，修回日期：２０１０－１１－０７基金项目：国家自然科学基金资助重点项目（５０８３９００５）；国家自然科学基金资助项目（１０９７２０８０）；华南理工大学中央高校基本科研业务费专项基金资助项目（２００９ＺＭ０１８６）作者简介：赖成光（１９８６－），男，硕士研究生，研究方向为洪灾防治，Ｅ－ｍａｉｌ：ｌａｉ．ｃｈｅｎｇｇｕａｎｇ＠ｍａｉｌ．ｓｃｕｔ．ｅｄｕ．ｃｎ通讯作者：王兆礼（１９７９－），男，讲师，研究方向为气候与土地利用变化引起的水文效应，Ｅ－ｍａｉｌ：ｗａｎｇｚｈｌ＠ｓｃｕｔ．ｅｄｕ．ｃｎ 洪水灾害是一种突发性强、发生频率高、危害严重的灾害。
我国约有５０％的人口和７０％的财产分布在洪水威胁区内［１］，因此开展洪灾风险评价对有效减免洪灾损失具有重要意义［２］。
由于洪灾风险评价，涉及自然、社会与经济等诸多影响因素，涵盖领域广泛，许多因子尚无统一的定量标准，并有很多不确定性，使评价指标体系复杂、难以操作，已成为研究的热点与难点。
ＢＰ神经网络法作为一种智能、非线性的新兴评价方法，评价洪水风险有很大优势。
周玉良等［３］采用ＢＰ人工神经网络与加速遗传算法相结合的遗传神经网络建立非线性组合的洪水灾害等级评价模型，提高了单个洪水灾害等级评价模型的精度；李绍飞等［４］构建了蓄洪区洪灾风险评价的ＢＰ模型，应用于大黄铺洼地区并取得了良好效果。
bp网预报模型的建模方法及应用
bp网预报模型的建模方法及应用1 背景伴随着大数据技术的发展，bp神经网络技术作为一种广泛应用于机器学习的技术，逐渐被广泛应用于各行各业。
尤其是气象预报方面，bp神经网络技术被用于模拟气象过程，建立气象预报模型，使得气象预报效果更准确，更有效。
近年来，随着深度学习技术的发展，bp网络模型也被成功地应用在天气预报领域，形成bp网预报模型，并取得了良好的结果。
2 bp网预报模型建模方法Bp网预报模型是基于bp神经网络来建模气象过程，将bp神经网络中的输入层、输出层及隐层结构进行有效调整，能有效地构建出气象预报模型，实现对气象数据的预测。
为了实现上述目的，首先要求数据的静态及动态分析，首先定义bp神经网络的输入层、输出层及隐层结构，然后利用逆向传播（Backpropagation）算法来调整参数，以达到最佳建模效果。
具体步骤如下：（1）数据获取：首先获取气象站实测数据，并根据数据建立输入层、输出层及隐层结构；（2）数据标准化：将原始数据根据规范进行标准化，以统一不同测量指标之间的取值范围；（3）建模训练：采用逆向传播算法进行训练，对bp神经网络进行参数调整，以达到最佳建模效果；（4）误差估计：利用测试数据进行误差估计，以检验预报模型的准确性；（5）模型诊断：检查参数设置，训练样本选择等，以确认模型的稳定性及准确性。
3 bp网预报模型应用Bp网预报模型能用于气象领域的多方面应用，如能够可以用来预报流量、温度、风向等气象指标，其准确率相比传统预报模型有很大的提升。
此外，它还可以用于构建气候变化预测模型，帮助我们更好的了解气候变化趋势。
除此之外，bp网预报模型还可以用于构建运行状态诊断模型，帮助我们分析系统运行及失效状态，以及预测故障发生的时机。
此外，它还能够用于分析节能技术的应用情况，提供实时的能耗估计，使我们能够及时洞察节能技术的效果。
4 结论不可否认，随着bp网预报模型的应用，我们能够更准确地实现气象预报，更好地了解实验系统运行趋势及及时诊断节能技术的应用效果。
人工神经网络峰值识别理论及其在洪水预报中的应用
人工神经网络峰值识别理论及其在洪水预报中的应用摘要：本文在总结大量洪水预报实践经验的基础上，提出了一种峰值识别理论及相应的改进BP算法(Error Back Propagation with Peak Recognizer，简称BPPR).该理论及算法在修改网络权重时，偏重大值误差，即大值误差对权重的修改起主要作用.这种BPPR算法使人工神经网络洪水预报模型对洪峰的预报精度显著提高，从而保证了洪峰预报的可靠性.关键词：人工神经网络峰值识别理论洪水预报洪水预报作为非工程性防洪措施正日益受到重视，准确及时的洪水预报为防洪决策提供了科学的依据.人工神经网络模拟了人类大脑的结构及其功能，从而具有对模糊信息或复杂的非线性关系进行识别与处理的能力[1，2].早期关于人工神经网络在水文水资源系统中的应用与研究的进展情况，文献[3]有较为详细、系统的介绍.其中，关于洪水预报的研究成果，大多处于如何应用人工神经网络算法进行洪水预报的阶段，即如何将洪水预报的实际问题概化成人工神经网络可以识别的算法模型.近期的研究成果表明，研究的问题更加深入，如LINDA SEE(1999)[4]将洪水过程分为上升段、洪峰段和下降段三部分，分别建立相应的预报模型，充分考虑了不同阶段的洪水过程其演进规律的差异.Fi-John Chang(1999)[5]引入洪峰预报误差和峰现误差作为洪水预报精度的评价标准，对于洪峰预报精度给予了高度的重视.能否保证较高的洪水峰值的预报精度，是将人工神经网络的实时洪水预报技术实际应用的关键性问题.本文在总结大量实践经验的基础上[6，7]，提出了一种能够进行峰值识别的改进BP算法(Error Back Propagation with Peak Recognizer，简称BPPR).该算法在修改网络权重时偏重大值，即大值误差对权重的修改起主要作用.这种改进的BP算法使人工神经网络洪水预报模型对洪峰峰值的预报精度显著提高，从而保证了洪峰预报的可靠性.1人工神经网络的峰值识别理论洪水预报主要是为防汛服务的，通常对洪峰时段的水位(或流量)的准确预报尤为重要.但是，对于经典的BP算法，网络训练是根据全局误差修改网络权重的，这种权重修改方法很难控制洪峰水位(或流量)的训练精度，训练后的网络权重所贮存的信息很可能更多地反映了样本数量较大的中、低水位(或流量)的变化规律.所以，经过训练的网络对中、低水位(或流量)的预报精度相对较高，而对洪峰的预报精度往往低一些.如何提高人工神经网络模型对洪峰水位(或流量)的预报精度，是人工神经网络理论应用于洪水预报的关键问题之一.本文是在结合实际课题广泛研究的基础上，提出了一种能够提高网络模型峰值识别精度的改进BP算法.1.1 峰值识别的基本思想经典BP算法的训练过程由信号的正向传播与误差的逆向传播两个过程组成.其中，误差的逆向传播是基于网络全局误差并按“误差梯度下降”的原则对网络权重进行修改.如果对原来基于“全局误差”的权重修改原则进行合理调整，使权重的修改倾向于减小输出值较大样本的网络映射误差，这是峰值识别原理的基本思想，其实质是在误差逆向传播的网络权重修改过程中，遵循了侧重于“峰值样本误差”的权重修改原则.1.2峰值识别的算法峰值识别理论的实现方法，是在引入动量项和采用学习率自适应调整的改进BP算法[4]的基础上，对峰值样本的网络误差引入合理的修正系数，使网络的权重向着使峰值训练误差减小的方向修改.首先，从经典BP算法开始.设有输入为x1(t)、x2(t)、…、x n(t)的n维输入，输出为x L1(t)、x L2(t)、…、x L m(t)、的m维输出和若干隐层组成的多输入、多输出人工神经网络模型.这里的t为样本序列号，这样的样本共有P对.第l层中第i个神经元节点所接收到的上一层输入总和为式中：N l为第l层神经元节点总数；w(l)ij为第l层i节点与第l-1层j节点之间的连接权重；θ(l)i为第l层i节点的阈值.第l层中第i个神经元节点的输出为x(l)i(t)=f（y(l)i(t)）=1/1+exp(-σy(l)i(t)) (1≤l≤L，1≤i≤N l) （2）式中：f(●)为转移函数，这里采用的是对数型的单极性Sigmoid函数；σ为决定Sigmoid函数压缩程度的系数.该系数越大，曲线越陡；反之，曲线越缓.则，当训练次数为k时，网络输出层及隐层的误差信号可表示为式中：d(L)i(t)为训练样本的期望输出.那么，网络权重的修改公式为式中：η(k)为训练次数为k时的学习率；α为动量项系数.以上为经典BP算法的基本内容.基于峰值识别的思想，实现网络误差修正倾向于输出样本的较大值，定义误差修正系数ξξi=d i(L)(t)/d(L)ma x(t) （7）式中：d(L)max(t)为训练样本期望输出的最大值.为了进一步提高神经网络模型的训练速度，改善网络峰值识别的精度，可以在上述修正系数的基础上，增设误差修正放大系数μ.那么，加入误差修正系数ξ及误差修正放大系数μ后，当训练次数为k时，网络输出层误差信号的向量表达式如下应用该算法进行网络训练，能够使峰值误差修正占优，从而提高网络对峰值的映射精度.2 应用实例2.1 工程概况及基本模型珠江流域西江段的水系关系比较复杂，如图1所示.从柳州站、迁江站、南宁站或贵港站预报梧州站洪水目前还是一个难题.结合现有的研究成果，介绍洪水预报峰值识别理论的有效性.选取珠江流域从对亭站、柳州站、迁江站、南宁站预报江口站洪水的江口站洪水预报模型，分别以BP算法与引入峰值识别理论的BPPR算法进行网络训练.以多年实测记录数据为训练样本，并采用下一年的记录数据为测试样本，即以1988、1992～1994、1996～1998各年的水位(流量)资料为训练样本，以1999年水位(流量)资料作为测试样本.图1 珠江流域西江段主要水情站及洪水平均传播时间示意*传播时间单位：h传统相应水位的洪水预报方法是根据天然河道洪水波的运动原理，分析洪水波在运动过程中，波的任一相位自上游水情站传播到下游水情站的相应水位及其传播时间的变化规律，寻找其经验关系，以此进行洪水预报[8].人工神经网络对信息的分布存储、并行处理以及自学习的能力，决定了它具有对模糊信息和复杂非线性关系的识别与处理能力.网络的训练学习过程，就是网络认知事物内在规律的过程.构造基于人工神经网络洪水预报模型的首要问题，是如何将洪水过程合理地概化成人工神经网络可以映射的输入、输出关系.以上游干流和主要支流水情站的水位(流量)资料作为网络模型的输入，以下游水情站所形成的相应水位(流量)作为网络模型的输出；同时，将下游同时水位(流量)作为网络模型的输入，以模拟下游初始水位的影响.洪水自上游水文站至下游水文站的传播时间就是网络对洪水的预见期.本题中所建立的江口站洪水预报模型中，作为江口站的上游水文站共有对亭、柳州、迁江和南宁等站，其中的迁江站处于干流河道.值得一提的是，对亭站方向的来水属山区洪水，特点为量小、峰高、历时短，洪水过程线陡起陡落，其结果是水位的变化非常大，而实际的流量又很小，这无疑会影响水位预报模型的识别精度.为了减少这种小支流的干扰，在建立水位预报模型时，未将对亭站的水位作为输入项.在建立流量预报模型时，为了保证水量的总体平衡，仍将对亭站的流量作为一项输入.以3h为一个间隔时段进行洪水数据采集来组织样本，以干流迁江站t时刻水位(流量)、对亭站(t-3)时刻流量、柳州站(t-3)时刻水位(流量)、南宁站(t-8)时刻水位(流量)和江口站t时刻水位(流量)作为网络的输入，江口站(t+T)时刻的水位(流量)为网络的输出.其中，T为网络的预见期，即洪水自上游迁江站传播到江口站的时间，亦为峰现时间.在组织样本时，采用洪水在各站间的实测传播时间，但网络预报的预见期为平均预见期，即T=9时段，约28h(洪水在各站间的传播情况见图1).图2为江口站洪水预报模型的网络拓扑结构图.图2 江口站洪水预报模型的网络拓扑结构在网络结构设计中，输入与输出节点数由实际问题而定，而隐层数及隐层节点数是网络设计中的关键问题.在实际问题中，常常无法估计问题的真实复杂程度，通常采用双隐层.关于隐层节点数目的确定，直接关系到能否成功地解决问题.实际上，隐层节点数决定于训练样本的多少、样本噪音的大小以及所面对问题的复杂程度.若隐层节点数太少，网络映射能力不足；若隐层节点数太多，不仅增加网络的训练时间，还会引发所谓“过度吻合”问题，即虽然增加了训练精度，但是由于网络过多地获得了样本的个性特征，而掩盖了样本的共性特征，从而造成预报精度的下降.目前的研究成果，还不能在理论上提供一套科学的推导方法，试算法是可靠的常规方法.本题经多次试算，合理的拓扑结构为：水位预报模型(4-40-20-1)，流量预报模型(5-40-20-1).图3 水位预报模型中BP算法与BPPR算法映结果比较网络模型的初始权重在(-1，1)之间随机产生，动量项系数α取0.9.初始学习率η0在基本BP算法中取0.001，在BPPR算法中取0.0005，初始学习率往往会因不同网络模型而不同.BPPR算法的峰值误差修正放大系数μ取2.0.水位模型的训练停止条件为平均映射误差l≤0.20m，流量模型的训练停止条件为平均映射误差q≤500m3/s.2.2 计算成果分别采取BP算法与BPPR算法进行网络模型的训练，两种算法对于峰值水位(流量)的映射情况见图3、图4.以完成训练的网络模型对1999年的洪水情况进行测试预报，预报结果见图5、图6.图4 流量预报模型中BP算法与BPPR算法映射结果比较2.3 成果分析图3、图4反映了完成训练的网络模型对训练样本中洪峰水位与流量的映射情况，从图中可以看到，BP算法对于洪水演进规律具有很高的映射精度，引入峰值识别理论的BPPR��算法能够进一步提高网络对洪水峰值的映射精度，这种作用对于较高洪峰识别效果更为明显.图5 1999年水位预报结果比较图6 1999年流量预报结果比较图5、图6为网络模型对1999年洪水主洪峰的预报情况.在水位预报模型中，BP算法对洪峰的预报误差为0.13m(低于实测值)；BPPR算法的预报误差为-0.05m(高于实测值).在流量预报模型中，BP算法对洪峰的预报误差为291m3/s；BPPR算法的预报误差为-83m3/s.这里所采用的峰值误差修正放大系数μ实质上与样本集中大值样本所占的比例有关，大值样本所占比例越小，μ的取值越大；反之，则小.在实际操作中，ξμ是作为一个参数进行权重调节计算的，所以μ的取值又受样本集中最大值和最小值间比例关系的限制.如果放大系数选取过大，网络训练容易失稳，造成训练误差增大；反之，网络权重的修改难以体现洪峰样本的贡献.具体取值由实际问题而定，在珠江流域的洪水预报模型中，放大系数的取值范围为1.5～2.5.从网络模型的训练识别和测试预报两方面的研究成果来看，人工神经网络对于洪水演进规律的识别具有较高的精度，能够模拟洪水的动态过程，其中，引入峰值识别理论的BPPR算法有利于提高模型对峰值的映射与预报精度，效果明显.这些改进效果对于水文水资源预报中，可能效果并不十分显著，但在防汛中，水位预报对防洪决策至关重要，往往十几厘米的误差，直接影响到防洪方案的决策.因此，峰值识别理论对基于BP 算法的洪水预报模型来讲，具有重要意义.3 结束语基于人工神经网络的洪水预报方法作为防洪减灾领域一种新的研究途径，将智能化思想引入到对洪水过程的计算模拟，更能反映洪水复杂非线性的动态演进规律.研究结果表明，人工神经网络算法能够很好地映射洪水的演进规律，做到对洪水实时的监测与预报，预报精度较高.针对洪峰预报精度在防洪减灾工作中的重要性，本文提出了基于峰值修正理论的BPPR算法，该算法能够很大程度上提高峰值的训练与预报精度，从而保证了洪水预报网络对洪峰水位、流量预报结果的可靠性，具有很高的实际应用价值.这种峰值识别理论与算法还可以应用于潮汐预报、地震预报等峰值预报过程起主要作用的相关领域，具有一定的普适性.基于人工神经网络的洪水预报作为一种新技术，有着很大的开发潜力与广泛的应用前景.我们坚信，随着人工神经网络理论的不断发展与成熟，结合有关领域的专业知识和经验，这种预报模型将会逐步得到完善.。
BP神经网络预测算法的改进及应用
BP 神经网络预测算法的改进及应用
王晓敏1 ,刘希玉2 ,戴 芬1
Abstract :BP (back propagation) algorit hm which is one of t he most widely used neural network algorit hms , has very high nonlinear fit2 ting ability , and it can be used to predict t he developing trend of time series data in practical application and simulation. But some kinds of problems and exceptions may happen because of t he limitation and deficiency of t he algorit hm itself , such as abnormal termination , long training time and low accuracy. Aiming at improving t he performance , t hrough analyzing t he algorit hm and simulation , corresponding causes and problem - solving way are found. In t his paper some limitations of BP neural network have been analyzed and optimized met h2 ods have been supposed. Finally , t hrough practical simulating experiments in Matlab , t he effect is certificated. Key words :BP algorit hm ;data forecasting ;simulation ;neural network
基于MATLAB的神经网络洪峰预测
摘要洪峰流量的预测可以基本定型洪水的规模，可以提前制定合理的防洪预案，及时减少人员伤亡和财产损失，因而预报洪峰流量具有重要意义。
河道水情预报十分复杂，由于受各种因素的影响表现为非线性动力学过程，而且因素之间的变化及相互影响关系也难以确定。
鉴于人工神经网络有很强的处理大规模非线性动力学系统的能力，本文紧紧围绕人工神经网络的数学领域的知识，改进了BP网络洪水预报模型。
具体工作如下：针对洪水预报预测阶段可能超过历史洪峰的情况，在人工神经网络预报模型中，本文把输入单元和输出单元的数据规范在0.2到0.8之间，留有(0,0.2)和(0.8,1)的预报空间，使得预报模型能够顺利预报出高于历史洪峰的洪水水位。
另外，本文采用《水文情报预报规范》中的确定性系数作为目标函数，使得预报结果更加直观。
针对人工神经网络本身是一种静态网络，在复杂河道的预报模型中，本文引入了延迟单元法，即在数据处理时直接从样本模式中提取时间序列特征，使得这样的预报模型具备了对时间序列的识别能力。
本文将BP网络的洪水预报模型应用于武汉地区柳子巷水文站的洪水预报。
对这种预报模型进行了检验，结果表明在合理选择输入层单元数据和预见期的情况下，可以取得很好的预报成果。
关键词：人工神经网络，预报模型，洪水目录第一章绪论1.1水文预报的重要性1.2水文预报的发展1.3存在的问题第二章人工神经网络简介2.1人工神经网络简介2.2误差逆传播算法第三章洪水水位的人工神经网络预报模型3.1引言3.2洪水预报模型的建立3.2.1训练模式对的准备3.2.2输入单元数据的规范化3.2.3输出单元数据的规范化3.3预报结果及总结第四章应用于复杂河段的人工神经网络洪水预报模型4.1问题的提出4.2人工神经网络预报模型4.3应用实例4.4运算结果及分析4.5结论第五章结束语和展望第一章绪论1．1 水文预报的重要性水文系统受天文因子、气候因子、地质地貌因子以及人类活动等的综合作用，表现出高维性和非线性等复杂特征，因此比一般难以建立有效的水温长期预测模型。
基于BP神经网络的洪灾经济损失评估
广东水 利电力职业 技术学院 学报
J our nal of Gua ngdong Tec hni cal Col l eg e of Wat er Re so ur c es a nd El ec t ri c Eng i nee r i ng
V01． 6 No． 2 Ju n．200 8
目前，按洪灾损失率计算的洪灾直接经济损失 评估模型主要有三类： ( 1) 多项式函数评估模型，
其公式为F=a+b p( 1l ，0+c p( }I，t )‘； ( 2) 指数函数型 评估模型，其公式为F=aB 01，t )”； ( 3) 分式函数 型评估模型，其公式为F=k．h／( k，B( h，t) +k：) 。从实 质看，以上三种方法都属 参数统计模型，即以淹没 水深、淹没历时为自变量，以损失率为因变量，利 用参数统计方法确定模型 参数。参数统计方法的计 算量大，不易操作，各模 型仅分别适用于某些特定 财产在特定条件下的损失 率，通用性较差。此外计 算精度不高，只考虑了淹 没水深及淹没时间对洪灾 损失的影响。实际上，洪灾损失与其影响因素之间 具有比较复杂的非线性函数关系。B P( Back Pr op— agat i on) 网络具有自组织、自适应、自学习等独特的 优良性能，能够较准确、 快速地处理复杂的非线性 问题，因此能够较好地应用于洪灾经济损失评估。
BP神经网络隐层节点数的选取目前尚无准确 的理论指导。节点选择太少，网络的非线性映射功 能和 容错 性能 差；选 择过 多， 又使得 学习 时间 增 加，学习误差也不一定最 佳。本文经多次试算并比 较各种模型训练后所得的 误差，将隐层节点数最终 定为6。一
BP神经网络的输出层节点只取一个，用来评 估洪灾的经济损失。因此，洪灾经济损失所用的 BP神经网络拓扑结构为4 —6—1，如图1所示。
基于改进BP神经网络模型的地面沉降预测及分析
∑ S2 =
1 n (e(T ) − e )2 ，则 后 验 差 比 值 C 定 义 为 n T =1
C = S2 S1 ，而 小 误 差 概 率 定 义 为 P = P{ e(T ) − e <
0.674 5S1} ． 评价网络外推性能好坏的指标有 2 个：C 值和
P 值．C 值小则说明均方差 S1 大、残差均方差 S2 小． S1 大则观测数据离散度大，原始数据规律性差，S2 小 则表明预测误差离散度小，因此要求在 S1 大的前提 下 S2 尽量小，即 C 值越小越好，它表明尽管原始数据 规律性差，但预测误差摆动幅度小．评价网络外推性
一致响应趋势．
关键词：地面沉降；BP 神经网络；遗传算法；初始权值；后验差检验
中图分类号：P642.26；TP183
文献标志码：A
文章编号：0493-2137（2009）01-0060-05
Prediction and Analysis of Land Subsidence Based on Improved BP Neural Network Model
（2）进行 GA 的交叉、变异算子操作，得到 N 个 新的个体，分别计算其适应值，并根据适应值大小按 最优个体保留策略进行个体选择，实现优胜劣汰．
（3）若达到事先设置的最大代数 K 或满足给定
·62·
天津大学学报
第 42 卷 第 1 期
的精度要求 ε ，求得解 W ∗ 及目标值 E ∗ ．若满足精度 要求，即 E ∗ ≤ ε ，算法结束；否则转步骤（4）．若未达 到最大代数 K ，令 k = k + 1 ，返回步骤（2）．
笔者将地下水位对地面沉降的影响视为黑箱系统采用神经网络对其辨识实现对地面沉降的预测和分析同时针对bpbackpropagation神经网络收敛速度慢易陷入局部极小点的缺点采用遗传算法geneticalgorithmga优化bp神经网络的初始权重建立了基于gabp神经网络的地面沉降预测模型改善了bp神经网络模型的运行效果
基于BP神经网络的尼尔基水库短期洪水预报研究
基于BP神经网络的尼尔基水库短期洪水预报研究刘涛;孟凡龙;胡宝军【摘要】人工神经网络(ANN)诞生于20世纪40年代,兴起于80年代,以其非线性特性、大量的并行分布结构以及出色的学习和归纳能力,广泛应用于水文各要素的预测分析.本次研究利用ANN中最常见的BP(Back Propagation)神经网络,由上游3个控制站(即柳家屯、库漠屯和科后)的流量,模拟出未来24h的尼尔基入库流量,分析二者的非线性关系以用于水库短期洪水预报.预报方案中各预报要素精度均达甲级水平,可用于实际作业预报.【期刊名称】《黑龙江水利科技》【年(卷),期】2012(040)010【总页数】4页(P13-16)【关键词】BP神经网络;短期;非线性;洪水;尼尔基水库;短期预报【作者】刘涛;孟凡龙;胡宝军【作者单位】嫩江尼尔基水利水电有限责任公司,黑龙江齐齐哈尔161005;嫩江尼尔基水利水电有限责任公司,黑龙江齐齐哈尔161005;嫩江尼尔基水利水电有限责任公司,黑龙江齐齐哈尔161005【正文语种】中文【中图分类】P33洪水通常是指由暴雨、急骤融冰化雪、风暴潮等自然因素引起的江河湖海水量迅速增加或水位迅猛上涨的水流现象。
对水库而言，洪水一方面让水库有机会增加其供水、灌溉、发电等效益;另一方面，它也给水库带来了挑战，加大水库的防洪压力，并威胁水利枢纽的安全。
通过及时准确的洪水预报，对水库来水进行预蓄预泄的预报调度，能解决上述2方面的矛盾，合理利用洪水，实现效益最大化。
洪水预报是预报调度的前提，其及时性和准确性的高低直接影响调度结果的成败。
及时准确的洪水预报在防洪抢险、保证工农业安全生产、充分利用水能水资源方面都有很大的作用。
因此，积极开展水库洪水预报的研究具有重要的理论价值及现实意义。
本文研究了尼尔基水利枢纽的短期洪水预报，利用人工神经网络的BP模型，在MATLAB平台上，由当前尼尔基以上嫩江干流控制站库漠屯站，及甘河控制站柳家屯站和科洛河控制站科后站三站实时流量值(以下称“三站”)，预测未来24 h尼尔基水库的入库流量值(取阿彦浅站的流量值)。