一种基于改进BP神经网络的汛情监测方法[发明专利]

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202011379008.5
(22)申请日 2020.11.30
(71)申请人 安徽理工大学
地址 232001 安徽省淮南市山南新区泰丰
大街168号
(72)发明人 项波　陈静　王世馨　
(51)Int.Cl.
G06Q 10/04(2012.01)
G06Q 50/26(2012.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称一种基于改进BP神经网络的汛情监测方法(57)摘要本发明公开了一种基于改进BP神经网络的汛情监测方法,包括以下步骤：步骤(1)、采集汛情特征参数:选择降雨量、流量和液位作为汛情监测模型数据输入类型，并采集数据；步骤(2)、数据预处理：对采集的训练和测试样本数据进行预处理；步骤(3)、构建BP神经网络模型：确定输入/输出层节点数、隐含层层数及节点数，选取传递函数、训练函数与学习率等参数，构建BP神经网络模型；步骤(4)、优化BP神经网络模型：基于遗传算法，优化BP神经网络模型的结构与参数，获得最优的神经网络隐层数、神经元间初始权值及阈值；步骤(5)、测试优化后BP神经网络模型：
对优化后的BP神经网络模型进行训练和测试。

权利要求书1页 说明书3页 附图2页CN 112381326 A 2021.02.19
C N 112381326
A
1.一种基于改进BP神经网络的汛情监测方法，其特征在于该方法包括如下步骤：
步骤S1：采集汛情特征参数，将水文站的流量、液位、降雨量数据作为汛情监测模型的输入样本，将水位数据作为汛情监测模型的输出样本。

采集足够的输入输出样本作为要建立神经网络模型的训练和测试样本；
步骤S2：对采集到的样本数据进行预处理，依次为：归一化处理，训练和测试数据的选取。

归一化处理采用[-1，1]归一化处理，即将样本数据映射到[-1，1]区间内，训练与测试数据取样本数据的前24组数据。

步骤S3：构建BP神经网络模型，确定BP神经网络模型的结构包括输入层节点数、隐含层节点数、输出层节点数，选取神经网络参数包括学习速率、神经元激励函数、神经元之间的权值、隐含层阈值及输出层阈值。

步骤S4：优化BP神经网络模型，基于遗传算法优化神经网络的结构和参数，即通过遗传算法同时进化神经网络的隐层数和初始各神经元之间的权值及阈值，从而得到最佳的隐层数和初始权值及阈值。

步骤S5：测试优化后的BP神经网络模型，利用训练数据训练优化后的BP神经网络模型，测试样本测试训练后的网络。

2.如权利要求1所述基于改进的BP神经网络的汛情监测方法，其特征在于，步骤S4所述对BP神经网络模型的结构和参数进行优化包括如下步骤：
S4.1：确立优化算法停止目标；
S4.2：对隐含层数目和初始权值及阈值进行实数编码；
S4.3：将BP神经网络得到误差作为适应度值；
S4.4：依次经过选择操作、交叉操作、变异操作及适应度值的计算；
S4.5：循环步骤S4.4，直至达到迭代停止条件，得到优化后的神经网络隐含层数目和初始权值及阈值。

权　利　要　求　书1/1页CN 112381326 A
一种基于改进BP神经网络的汛情监测方法
技术领域
[0001]本发明涉及汛情监测领域，更具体的说是一种基于改进BP神经网络的汛情监测方法。

背景技术
[0002]随着社会生产力的不断发展，水利工程在国民经济中所起的作用越来越大，防汛工作更是重中之重。

汛情监测是根据已掌握的水文、气象资料，根据流域上发生的暴雨或者河流上游来水，经过水文计算最终预估在流域内发生的洪水过程，给出合理的洪水预报。

洪水预报也是水库调度与防汛抢险决策的重要依据，因此预报必须具备一定的可靠性与可预期性。

而与此同时，当今网络技术和自动化技术的飞速发展，防汛监测信息化、自动化、智能化是实现防汛工作的重要技术措施，因此BP神经网络就应运而生。

虽然采用BP神经网络可以精准的预测水位变化情况，但仍存在一些缺陷，如容易陷入一些局部极值点。

发明内容
[0003]为了解决上述技术问题，本发明提供了一种基于改进BP神经网络的汛情监测方法。

[0004]为了达到上述目的，本发明所采用的技术方案是：
[0005]基于改进BP神经网络的汛情监测方法，包括如下，
[0006]采集汛情特征参数；
[0007]样本数据的预处理；
[0008]构建BP神经网络模型；
[0009]优化BP神经网络模型；
[0010]测试优化后的BP神经网络模型。

[0011]用遗传算法优化BP神经网络的过程为，
[0012]S1)确立优化算法停止目标；
[0013]S2)对隐含层数目和初始权值及阈值进行实数编码；
[0014]S3)将BP神经网络得到误差作为适应度值；
[0015]S4)依次经过选择操作、交叉操作、变异操作及适应度值的计算；
[0016]S5)循环步骤S4，直至达到迭代停止条件，得到优化后的神经网络隐含层数目和初始权值及阈值。

[0017]本发明达到的有益效果：本发明将遗传算法和BP神经网络有机结合起来，遗传算法是一种基于生物机制的全局搜索优化算法，利用遗传算法优化BP神经网络的隐含层数目和初始权值及阈值，再利用误差反向传播方法找到其最优解，避免了陷入局部极值点的情况。

附图说明
[0018]图1为改进BP神经网络的汛情监测方法的流程图；。

[0019]图2为在24小时内采用本发明的预测图；
[0020]图3是在36小时内采用本发明的预测图。

具体实施方案
[0021]下面结合附图和实例对本发明进行进一步详细说明。

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

[0022]基于改进BP神经网络的汛情监测方法，包括以下步骤：
[0023]步骤1，采集汛情特征参数。

如图1所示，汛情特征参数具体为液位、流量、降雨量三种特征参数。

[0024]步骤2，数据预处理。

采集到的样本数据无法直接用于预测模型的训练与预测，易对模型各层权值和阈值的传播与修正产生巨大的影响，增加液位预测模型的学习与训练时间，降低模型的预测精度，因此样本的预处理至关重要。

具体为使用premnmx函数对样本数据进行归一化处理,即：
[0025]
[0026]其中p为样本数据；pn为归一化后数据；minp为样本数据中最小值；maxp为样本数据中最大值。

[0027]步骤3，构建BP神经网络模型。

本发明所构建的BP神经网络选择液位、液位环比增长值、流量、流量环比增长值以及降雨量和降雨量环比增长值共同作为模型输入来预测下一时刻的水位值。

因此模型输入层节点数x＝6，输出层节点数y＝1，构建出一个三层的BP神经网络模型。

[0028]步骤4，优化BP神经网络模型。

第一，确立优化算法的停止目标，第二，采用实数编码，实数编码能根据个体空间与可行解空间对应关系进行个体解码，将码串长度看成是神经网络权值个数。

第三，确定适应度值，适应度值采用排序的适应度函数，将预测值与期望值的误差矩阵的范数作为目标函数的输出，即：
[0029]
[0030]其中，F为预测样的预测值和期望值的误差矩阵的范数，Yk为期望值矩阵，Ok s为预测值输出矩阵。

第四，依次经过选择操作、交叉操作、变异操作及适应度值的计算。

第五，循环步骤第四，直至达到迭代停止条件，得到优化后的神经网络隐含层数目和初始权值及阈值。

[0031]步骤5，测试优化后的BP神经网络模型。

如图2和3所示，为了进一步说明基于改进BP神经网络的汛情监测方法，把预处理完成的数据用来训练和测试优化后的BP神经网络模型，得出24小时与36小时的水位预测图。

[0032]对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权
利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

[0033]此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

图1
图2
图3。