基于BP神经网络的地下水水位预测
基于BP神经网络的地下水位预测系统设计
第 53 卷 第 4 期地 震 科 学 进 展Vol.53 No.4 2023 年 4 月Progress in Earthquake Sciences Apr., 2023廖绍欢，赵乃千，詹旭. 基于BP神经网络的地下水位预测系统设计[J]. 地震科学进展, 2023, 53(4): 165-170. doi:10.19987/ j.dzkxjz.2022-118Liao S H, Zhao N Q, Zhan X. Design of groundwater level prediction system based on BP neural network[J]. Progress in Earthquake Sciences, 2023, 53(4): 165-170. doi:10.19987/j.dzkxjz.2022-118基于BP神经网络的地下水位预测系统设计*廖绍欢1) 赵乃千1) 詹 旭2)※1) 四川省地震局成都地震监测中心站，四川成都 6117302) 四川轻化工大学自动化与信息工程学院，四川自贡 643000摘要 为了解四川德阳地下水位动态，进而分析地震前兆动态，本文设计了一个基于BP神经网络的地下水位预测系统。
采用SWY-Ⅱ数字式水位仪对德阳地下水位数据进行采集。
根据采集的2015年水位数据，利用BP神经网络对地下水位变化进行预测，以一年的采集数据进行训练和测试，采用3个输入节点、1个输出节点设计了BP神经网络结构。
为了进一步验证本预测系统，本文对2017年7月1日—10月26日地下水位情况进行了预测。
实验表明：该方案能有效实现地下水位的预测，为地震前兆工作提供可靠数据。
关键词 单片机；BP神经网络；预测中图分类号：P315.72+3 文献标识码： A 文章编号: 2096-7780(2023)04-0165-06doi：10.19987/j.dzkxjz.2022-118Design of groundwater level prediction system based on BP neural networkLiao Shaohuan1), Zhao Naiqian1), Zhan Xu2)1) Chengdu Earthquake Monitoring Center Station, Sichuan Earthquake Agency, Sichuan Chengdu 611730, China2) School of Automation and Information Engineering, Sichuan University of Science & Engineering, Sichuan Zigong643000, ChinaAbstract In order to understand the dynamic of groundwater level and master the earthquake precursor dynamic，we designed groundwater level prediction system based on BP neural network. According to the groundwater level of Deyang，Sichuan Province，SWY-II digital water level meter is used to collect the groundwater level data of Deyang. Based on the collected water level data in 2015，the BP neural network is used to predict the change of groundwater level，and the data collected for one year are trained and tested. The structure of BP neural network is designed with three input nodes and one output node. In order to further validate the proposal，the groundwater level from July 1 to October 26，2017 is predicted. The experiment shows that the scheme can predict groundwater level effectively and provide reliable data for earthquake precursor work.Keywords MCU; BP neural network; predict* 收稿日期：2022-07-21；采用日期：2022-10-20。
三江平原地下水位的预测——基于RPROP的BP神经网络方法
三江平原地下水位的预测——基于RPROP的BP神经网络方法随着城市化的快速发展和人口的增加，地下水资源逐渐受到了严重的威胁。
为了有效地管理和保护地下水资源，对地下水位进行准确地预测是至关重要的。
本文将基于RPROP的BP神经网络方法，对三江平原地下水位进行预测分析。
首先，我们需要了解三江平原地下水位受到的影响因素。
在三江平原地区，地下水位主要受到降雨量、蒸散发和人类活动等因素的影响。
因此，我们需要收集并整理相关的气象数据、地下水位数据和人类活动数据，以建立地下水位的预测模型。
其次，我们将采用BP神经网络算法来进行地下水位的预测。
BP神经网络是一种反向传播神经网络，通过不断地调整神经元之间的连接权重，训练网络以实现目标输出。
在BP神经网络中，我们将采用RPROP算法作为权重更新的方法，以提高网络的收敛速度和准确性。
接下来，我们将进行数据的预处理工作。
首先，我们将对数据进行标准化处理，以提高网络的训练速度和泛化能力。
然后，我们将数据分为训练集和测试集，以便对网络进行训练和验证。
然后，我们将建立BP神经网络模型。
在建立网络结构时，我们需要确定输入层、隐藏层和输出层的神经元数量，并选择合适的激活函数和损失函数。
在网络训练过程中，我们将使用RPROP算法进行权重的更新，并设置合适的学习率和训练轮数，以使网络能够更好地逼近实际地下水位数据。
最后，我们将对网络进行评估和验证。
我们将使用测试集数据来验证网络的预测准确性，并通过计算误差指标来评估网络的性能。
同时，我们还将对网络进行参数调优和模型优化，以提高网络的预测精度和泛化能力。
综上所述，基于RPROP的BP神经网络方法可以有效地对三江平原地下水位进行预测。
通过建立合适的神经网络模型和进行数据处理优化，我们可以提高地下水位的预测准确性，为地下水资源的管理和保护提供重要的决策支持。
希望本文的研究可以为地下水位预测领域的进一步深入研究提供参考和借鉴。
基于BP神经网络的孔隙充水矿井涌水量预测
基于BP 神经网络的孔隙充水矿井涌水量预测凌成鹏,孙亚军,杨兰和,姜 素,邵飞燕(中国矿业大学,徐州 221008)摘要:文章分析了孔隙充水矿井的充水水源和通道,利用非线性的BP 人工神经网络建立了徐州韩桥煤矿涌水量短期预测模型,选取每天的降水量作为影响因子,用已有的涌水量资料训练得到权值和阈值来表示充水通道,并对-200m 水平、-270m 水平、-330m 水平和全矿井涌水量进行了预测。
结果显示,涌水量的预测值与实测值吻合得较好,说明该模型具有一定实用性。
关键词:BP 人工神经网络;孔隙充水矿井;涌水量;预测模型;韩桥煤矿中图分类号:P64114+1 文献标识码:A 文章编号:100023665(2007)0520055204收稿日期:2006211208;修订日期:2007203230基金项目:国家自然科学基金重点项目“水资源保护性煤炭开采基础理论与应用研究”(50634050);国家重点基础研究发展计划“973”计划(2007C B209401)作者简介:凌成鹏(19832),男,硕士研究生,主要从事水文地质、矿井水害防治方面的研究。
E 2mail :kqs2008@ 矿井涌水量是指在矿山建设和生产过程中单位时间内通过各种巷道和开采系统流入矿井的水量[1～2]。
准确预测矿井涌水量对于矿井安全生产具有极其重要的意义。
目前常用的预测矿井涌水量的方法主要有相关比拟法、解析法、水均衡法、数值法和时间序列分析等方法[3～4]。
但是预测过程中由于水文地质条件复杂、采用的水文地质参数缺乏代表性以及所建立的数学模型不恰当等原因,很容易导致计算的误差偏大,不能提供准确的涌水量预测数据。
本文运用水文地质学的相关理论,通过BP 人工神经网络方法[5～7]对徐州韩桥煤矿的涌水量进行预测,取得了满意的效果。
1 孔隙充水矿井的涌水量因素分析孔隙充水矿井的充水水源主要是大气降水。
大气降水渗入量的大小与地区的气候、地形、岩性、构造等因素有关。
用BP神经网络预测地下水动态
地 下 水 动态 受一 系 列 自然 和 人 为 因 素 的 影 响 ，它 是 地 下 水 系 统 受 多 种 输 入 所 激 励 而 产 生 的综 合 效
摘 要 ：地下水 系统是一个 复杂 的随机 系统 ，本文根 据地 下水位 与其影 响 因素 Ｐ人工 神经网络模 型 ，并将 其用 于地 下水 位 的动态 预测 。实例表 明 ，该方 法预测 精 度较 高 ，具 有 一 键 词 ：地 下水动态 ；预测 ；人工 神经网络
（ ． ｏ ｅ ｅｏ Ｕ ｂ ｎ ａｄ Ｒ ｒｌ ｏｓ ｕ ｔ ｎ Ａ ｒ ｕｔ ａ Ｕ ｉ ｒ ｔ ｏ ｅｅ ，Ｂ ｏ ｉ ７０ １ ｈｎ ； １ Ｃ ｌ ｇ ｆ ｒａ ｎ ｕａ Ｃ ｎｔ ｃ ｏ ， ｇ ｃ ｌ ｒｌ ｎ ｅ ｉ ｆ ｂ ｉ ａｄｎ Ｃ １０ ，Ｃ ｉ ｌ ｒ ｉ ｉ ｕ ｖ ｓｙ Ｈ ｇｒ ａ
收 稿 日期 ：２Ｏ —０ Ｏ ２ ４—１ ５
作者简介 ：赵 胜利 （９ ３ ，男 ，河北省保定市 人 ，硕士 ，主要从 事建 筑施工的教学 与研究 工作 １７ 一）
文 献 标 识 码 ：Ａ
定 的推广价值 。
关
中 图 分 类 号 ：Ｐ５ １７ ４ ．４
Ｕｔｌ ｉ ｇ ｉ ｉ ｎ ＢＰ ｕ ａ ｔ ｒ ｔ ｏ ｅ ａ ｔｇ ｏ ｎ ｚ ｎｅ ｒ ｌｎｅｗｏ ｋ ｏ ｆ ｒ ｃ ｓ ｒ ｕ ｄｗａ ｅ ｅ ｉ ｅ ｔｒ ｒ ｇｍ
Ｚ ＨＡＯ ｈ ｎ － Ｓ ｅ ｇ－ ｌ ｉ，ＬＵ Ｙａ Ｌ ｈ － ｕ ｎ ， Ｐ － Ｉ ｎ ， Ｉ ｕｑ ａ Ｓ ＡＮＧ ｈ ｎ ． ｉ Ｚ ａ ｇ ｂｎ
三江平原地下水位的预测——基于RPROP的BP神经网络方法
０ 引 言
三 江 平原 位 于 黑 龙 江 省 的Biblioteka 北 部 ， 据 黑 龙 江 ， 北
如果 误 差 不 满 足 要 求 ， 误 差 向后 传 播 ， 从 输 出层 将 即 到输 入层 逐 层求 其误 差 （ 际 上 是 等效 误 差 ） 然后 相 实 ， 应地 修改 权值 ¨ 。 误 差 反 向传播 算 法 简 称 Ｂ Ｐ算 法 ， 在 成 为人 工 现
经 济有 深 远 的影 响 。
ｌ） ， 的学 习训 练 ， 到 神经 元 之 间 的 连 接权 ， 和 尸 得 阈值 ０＿ｋ 使 ｎ维 空 间对 ｍ 维 空 间 的 映 射 获 得 成 功 ，，， 『
由于三 江平 原 地 下水 位 预 测 的 重要 性 ， 目前 对 其
研 究 的方 法很 多 。为 了提 高 预 测 的 准确 性 、 时 性 及 实 研 究方 法 的广 泛性 ， 文 采 用 Ｒ Ｒ Ｐ的 Ｂ 本 ＰＯ Ｐ神 经 网络 方 法对 三 江平 原地 下 水 位 埋 深 进 行 预测 和分 析 ， 望 希 能 为该 领域 的科学 研究 做 出 贡献 。
ｍａ ）ｇ ｏ ｅ７ ０ ｌ ＠ １ ６ ｃ ｒ 。 ｉ ｕ ｗ ｉ９ ８ ３ ２ ． ｏ ｌ ｎ
自前级 １ ７ ， 个神经元 的轴突信息 ；ｉ ｉ ０ 是 神经元的阈值 ，
…
，
，
，
分 别 是 ｉ 经 元 对 ， ：… ， 神 ，
通讯作者 ：赵
洁（ ９ ８一） 女 ， 尔滨 人 ， １５ ， 哈 教授 ， 士 生 导师 ， Ｅ— 硕 （
和 数学 模 型 ； 合三 江 平原 地 下 水位 埋 深 的具 体 情 况 ， 立 了 弹 性 Ｂ 综 建 Ｐ神 经 网 络 地 下 水 位 埋 深 预 测 模 型 ， 且 以 而
基于BP神经网络的桂林生态城市建设需水量预测
和战略性的经济资源 ， 在保 障社会经济可持续发展 中具 有不 可替 代 的作 用 ２。需 水 量预测 是水 资源 开 发利用 、 社会 经 济 发 展 、 业 布局 的重 要 参 考 指标 ， 产 对 生 态城 市建设 具有 重要 意义 。笔 者结 合桂 林生 态 城 市建 设规 划 ， 桂 林 生 态 城 市建 设 需 水 量 进 行 研 对
信息流
图 １ ＢＰ神 经 网络 结 构
２ ２ Ｐ在 Ｍａ ａ ． Ｂ ｌ ｆ ｂ中的程序 设计
以桂 林市 辖 区统计 数据 为背 景 ， 用 ＳＳ 软 件 采 ＰＳ 进行 需水 量相 关 分 析 ［９， 中选取 相 关 性 、 表 性 ６ 从 － Ｊ 代 好 的 ５ 影 响 因子 （ ２ ： Ｄ 、 口数量 、 镇人 均 个 表 ）Ｇ Ｐ 人 城 可支 配 收 入 、 均 用 水 量 、 元 Ｇ Ｐ用 水 量。 人 万 Ｄ ２ （￣ ２０ ０ ） ０ ９年桂 林 市 辖 区相 关 统计 情 况 见 表 ３ ０ 。５
第 ２ 卷第 ３期 ８
Ｖｏ ． ８ Ｎｏ ３ １２ ．
水
资
源
保
护
２１ ０２年 ５ 月
Ｍａ ０１ ｖ２ ２
Ｗ ＡＴＥＲ ＲＥＳＯＵＲＣＥＳ Ｐｌ ｒ ＣⅡ ０Ｎ Ⅱｌ
Ｄ Ｉ １ ．９ ９ ｊｉ ｎ １０ —９ ３ ２ １ ．３ ０ ９ Ｏ ：０ ３６ ／ ． ｓ ．０ ４６ ３ ．０ ２ ０ ．０ ｓ
ｂ ｓｄ ｏ ａ ｅ ｎ ＢＰ ｕ ａ ｅ ｗｏ ｋ ｎｅ ｒ ｌｎ ｔ ｒ
ＷＥ ｉ－ ｎ ，ＧＵ Ｃ ｕｌ ｉｇ Ｎ Ｊａｍｉｇ ｏ ｈ ｒｑＩ ，Ｕ ｎｊ ｎ Ｌ ｎｂｎ － ｌ Ｘｉ－ａ ， Ｉ ｉ Ｗｅ －ｉ （ ｏ ｅｅｆＥ ｖｏ ｍ ｎａ Ｓｉ ｃ ａ ｄＥ ｇｎｅｎ Ｃ ｌｇ ｎｉ ｎ ｅｔｌ ｃ ｎｅ ｎ ｎ ｉ ｒ ｇ，Ｇ ｉｎＵ ｉ ｍｔ ｏ ｃｎｌ ｙ ｌ ｏ ｒ ｅ ｅｉ ｕｌ ｎ ｅ ｉ Ｔ ｈｏｏ ， ｉ ｖ ｙｆ ｅ ｇ
基于 BP神经网络的煤矿地下水水位预报方法
基于 BP神经网络的煤矿地下水水位预报方法
武晓宏;史恒亮;李占利
【期刊名称】《工矿自动化》
【年(卷),期】2006(000)005
【摘要】煤矿地下水是威胁煤矿安全生产的重要因素之一.文章在阐述BP网络原理和分析地下水水位特点和影响因素的基础上,提出了基于BP神经网络的煤矿地下水水位预报方法,并利用历史数据对该网络进行了训练学习,建立了地下水水位特征模型,可预报未来一个时期地下水水位的变化趋势.实验表明该方法效果良好,相对误差小于2%.
【总页数】3页(P21-23)
【作者】武晓宏;史恒亮;李占利
【作者单位】西安科技大学计算机系,陕西,西安,710054;河南科技大学计算机系,河南,洛阳,471003;西安科技大学计算机系,陕西,西安,710054
【正文语种】中文
【中图分类】TD745;TP183
【相关文献】
1.基于BP神经网络方法的近岸数值海温预报释用技术 [J], 匡晓迪;王兆毅;张苗茵;何恩业;邓小花
2.基于BP神经网络的浙北夏季降尺度降水预报方法的应用 [J], 黎玥君;郭品文
3.基于互信息量与BP神经网络的中长期径流预报方法研究 [J], 卢迪;周惠成
4.基于BP神经网络模型的福建海域赤潮预报方法研究 [J], 苏新红;金丰军;杨奇志;
陈火荣;俞秀霞;李雪丁;郭民权;刘秋凤;罗娟
5.基于BP神经网络的变形预报方法研究 [J], 刘佰莹;周围;夏立福
因版权原因，仅展示原文概要，查看原文内容请购买。
基于遗传 BP神经网络的地下水位预测模型
的开 发利 用与 保护提 供 参考依 据 。
［ 关 键词 ］ 神 经 网络 ； 模型； 遗传 算 法 ； 地 下水位 ； 预 测 ［ 中图分 类 号］ Ｐ ６ ４ １ ． ７ ４ ［ 文献标 识码 ］ Ａ ［ 文章 编号 ］ １ ０ ０ ４—１ １ ８ ４ （ ２ ０ １ ５） Ｏ ３一ｏ ０ １ ９—０ ３
பைடு நூலகம்
Ｇｒ ｏ ｕｎｄｗａ ｔ ｅ ｒ Ｌｅ ｖ ｅ ｌ Ｐｒ ｅ ｄｉ ｃ ｔ ｉ ｏ ｎ Ｍ ｏ ｄｅ ｌ ｂａ ｓ ｅ ｄ ｏ ｎ Ｇｅ ｎ ｅ ｔ ｉ ｃ ＢＰ Ｎｅ ｕｒ ａ ｌ Ｎｅ ｔ ｗｏ ｒ ｋ
ＸＵ Ｊ ｊ
（ Ｘ ｉ ￣ｉ ａ ｎ ｇ ｗ ａ ｔ ｅ ｒ ｃ ｏ ｎ ｓ ｅ ｒ ｖ ａ ｎ ｃ ｙ ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ｅ ｘ ｔ ｅ ｎ ｓ ｉ ｏ ｎ ｓ ｔ ａ ｔ ｉ ｏ ｎ ，Ｕ ｒ ｕ ｍｑ ｉ ８ ３ ０ ０ ０ ０， Ｘ ｉ ￣ｉ ａ ｎ ｇ ）
ｎ ｅ ｔ ｗｏ ｒ ｋ ｍｏ ｄ ｅ ｌ ｃ ａ ｎ ｂ ｅ ｔ ｔ ｅ ｒ ｅ ｘ ｐ ｒ ｅ ｓ ｓ ｔ ｈ ｅ ｎ ｏ ｎ ｌ ｉ ｎ ｅ ａ ｒ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｂ ｅ ｔ ｗｅ ｅ ｎ ｇ ｒ ｏ ｕ ｎ ｄ ｗａ ｔ ｅ ｒ ｌ ｅ ｖ ｅ ｌ ａ ｎ ｄ ｔ ｈ ｅ ｍａ ｉ ｎ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ｆ ａ ｃ ｔ ｏ ｒ ｓ ，ｔ ｈ ｅ ｍｅ ａ ｎ ａ ｂ ｓ ｏ － ｌ ｕ ｔ ｅ ｐ ｅ ｒ ｃ ｅ ｎ ｔ ａ ｇ ｅ ｅ ｒｏ ｒ ｂ ｅ ｔ ｗｅ ｅ ｎ ｔ ｈ ｅ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｅ ｄ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ａ ｎ ｄ ｔ ｈ ｅ ｍｅ ａ ｓ ｕ ｒ ｅ ｄ ｖ ａ ｌ ｕ ｅ ｉ ｓ ０． ０ ４ ０ ３，ｔ ｈ ｅ ｔ ｅ ｓ ｔ ｓ ａ ｍｐ ｌ ｅ ｎ ｅ ｔ ｗｏ ｒ ｋ ｏ ｕ ｔ ｐ ｕ ｔ ｖ ａ ｌ ｕ ｅ ｏ ｆ
灰色BP神经网络模型在民勤盆地地下水埋深动态预测中的应用
（ 北 农 林 科技 大学 水 利 与 建 筑 工程 学 院 ， 西 杨 凌 ７ ２ ０ ） 西 陕 １ １０
摘 要 ：先建 立等 维 新 息 Ｇ １ １ 模 型和 Ｂ Ｍ（ ， ） Ｐ神 经 网络 模 型 相 耦 合 的灰 色 Ｂ Ｐ神 经 网 络 组 合 模 型 ， 以 民勤 盆 再
地 ６ 、５和 ８ ＿６ ４ ４号 井 为代 表 ， 用 此模 型模 拟 和 预 报 石 羊 河 下 游 民勤 盆地 的 地 下 水 埋 深 动 态 。模 型 精 度 检 验 表 明 ， 运
６、 ４６ ５和 ８ ４号 井预 测 值 的平 均 相 对 误 差 分 别 为 ０ ４ ％ ， ． ％ ， ．２ ， 小 于 ｌ ， 合 精度 要 求 。 相 比 Ｇ １ １ ． ５ ０９ ３ ０６％ 均 ％ 符 Ｍ（ ， ） 模 型， 组合 模 型预 测 的相 对 误 差 整 体 上 较 小 ； 比 Ｂ 相 Ｐ模 型 ，４号 井组 合 模 型 预 测 的 １９ ～２ ０ 年 地 下 水 埋 深 平 均 ６ ９８ ０１
加 ， 使进入该 盆地 的地 表水量 急剧减 少 ， 致 为了维持
自身 经 济 社 会 的 发 展 ， 得 不 大 量 开 采 地 下 水 ， 致 不 导
映射 能力 ｌ ， ４ 在不 确定 性 因素 预 测 中 占有优 势 。Ｂ Ｊ Ｐ
（ ａｋＰｏａａｏ ） 络 是 目前 应 用 最 成 功 和 广 泛 的 Ｂ ｃ ｒ ｇｔｎ 网 ｐ ｉ
地 ６ ７ 占有水 资 源 仅 ２０ ｍ ， 于 典 型 的资 源 ６ｍ 均 ８ 。 属
型 缺 水 地 区 ｌ 。 近 ２ 来 ， 着 流 域 经 济 社 会 的 发 ｌ Ｊ ０ａ 随 展 和 人 口 的增 加 ， 资 源 的 供 需 矛 盾 日益 突 出 。 尤 水 其 是 流 域 下 游 的 民 勤 盆 地 ， 于 上 中 游 用 水 急 剧 增 由
三江平原地下水位的预测——基于RPROP的BP神经网络方法
三江平原地下水位的预测——基于RPROP的BP神经网络方法郭微;赵洁;王福林【摘要】鉴于三江平原地下水位预测对该地区农林经济的重要性,详细介绍了RPROP的BP神经网络算法思想和数学模型;综合三江平原地下水位埋深的具体情况,建立了弹性BP神经网络地下水位埋深预测模型,而且以单口井为例做了具体的预测和分析.结果证明:使用该方法预测三江平原地下水位埋深值具有准确性和实效性,该理论和方法在地下水动态预测方面具有较好的应用前景.【期刊名称】《农机化研究》【年(卷),期】2010(032)008【总页数】4页(P28-30,34)【关键词】地下水位观测;水位埋深;BP神经网络;RPROP;三江平原【作者】郭微;赵洁;王福林【作者单位】东北农业大学,工程学院,哈尔滨,150030;东北农业大学,工程学院,哈尔滨,150030;东北农业大学,工程学院,哈尔滨,150030【正文语种】中文【中图分类】TP183;S1260 引言三江平原位于黑龙江省的东北部，北据黑龙江，前横完达山，东傍乌苏里江，西枕小兴安岭，中跨松花江，北部和东部与俄罗斯隔江相望，其地理位置得天独厚，是我国重要的商品粮基地。
掌握三江平原地下水位的动态变化趋势，对该地区的水资源、生态地质以及农林等问题有着重大作用，对促进该地区的各项经济有深远的影响。
由于三江平原地下水位预测的重要性，目前对其研究的方法很多。
为了提高预测的准确性、实时性及研究方法的广泛性，本文采用RPROP的BP神经网络方法对三江平原地下水位埋深进行预测和分析，希望能为该领域的科学研究做出贡献。
1 RPROP的BP神经网络算法1.1 BP算法思想BP算法采用广义的学习规则，是一种有导师的学习算法。
它分两个阶段，即正向传播阶段和反向传播阶段。
正向传播阶段是将学习样本的输入信息输入前馈网络的输入层，输入层单元接受到输入信号，计算权重合，然后根据神经元的激活函数将信息传到隐含层，同样根据隐含层的输出计算输出层的输出。
基于BP神经网络的调水工程调蓄水位预测模型
基于BP神经网络的调水工程调蓄水位预测模型高学平;闫晨丹;张岩;孙博闻【摘要】In a water diversion project,if the water level before the pump is too low,the security of the pumping station will be endan-gered;if the water level is too high,the safety of the surrounding area will be endangered.So,it is particularly important to study the change of water level in the reservoir.The paper,based on the Nansi Lake section of the eastern route of the South-to-North Water Transfer Project in Shandong Province,explores the water level variation pattern before the pump under different conditions of initial water level,inflow and outflow,and opening time difference between pumping stations.Firstly,we used the coupled model to numerically simulate different diversion plans.Then we selected 23 water diversion plans and their before-pump water level obtained from numerical simulation as samples to train the BP neural network.Thus,we established a prediction model for water level regulation and had it veri-fied.Finally we predicted the water level before the pump in different diversion plans using the model.The results showed that the BP neural network model has a strong predictive power.Its results were basically consistent with the results of the coupled model,with the relative error of water depth less than 9.15%.Meanwhile the model′s calculation efficiency improved by 96.67%.%在调水工程中,如果泵站站前水位过低,会危及泵站安全,如果水位过高,会危及周边安全,因此探寻调水工程中河渠湖库水位变化显得尤为重要.以南水北调东线山东段南四湖为研究区域,寻求不同起调水位、出入流量、泵站开启时间差的调水方案下泵前水位变化规律.先利用耦合模型对不同的调水方案进行数值模拟,然后选取23组调水方案及其数值模拟所得的泵前水位作为样本训练BP神经网络,建立BP神经网络调蓄水位预测模型并进行验证,最后利用预测模型对不同调水方案进行泵前水位预测.结果表明,BP神经网络预测模型具有很强的预测能力,预测模型结果与耦合模型结果泵前水位基本吻合,水深相对误差小于9.15%,而模型计算效率提升96.67%.【期刊名称】《南水北调与水利科技》【年(卷),期】2018(016)001【总页数】6页(P8-13)【关键词】调水方案;泵前水位;耦合模型;BP神经网络;预测模型【作者】高学平;闫晨丹;张岩;孙博闻【作者单位】天津大学水利工程仿真与安全国家重点实验室,天津300350;天津大学水利工程仿真与安全国家重点实验室,天津300350;天津大学水利工程仿真与安全国家重点实验室,天津300350;天津大学水利工程仿真与安全国家重点实验室,天津300350【正文语种】中文【中图分类】TV131.2调水工程解决了受水区水资源短缺问题，却打破了原有的水源系统平衡，形成了外来水源与水库、湖泊、河流等当地水源并存共用、相互联系、相互影响的水源格局。
三种地下水位动态预测模型在吉林西部的应用与对比
三种地下水位动态预测模型在吉林西部的应用与对比地下水位预测是水资源管理和灾害防治领域中的重要问题。
在吉林西部地区的地下水位预测中，常常使用的三种模型有ARIMA模型、BP神经网络模型和支持向量回归模型。
本文将分别介绍这三种模型的原理和应用，并进行比较。
ARIMA模型是一种常用的时间序列分析方法，可以对时间序列数据进行拟合和预测。
在地下水位预测中，可以将历史地下水位数据看作时间序列数据，使用ARIMA模型对其进行建模和预测。
ARIMA模型通过分析时间序列的自相关性、差分和移动平均等特征，预测未来地下水位的变化趋势。
ARIMA模型在吉林西部地下水位预测中具有较好的稳定性和准确性。
BP神经网络模型是一种基于人工神经网络的预测模型，可以通过训练神经网络来学习地下水位的变化规律，并用于未来地下水位的预测。
BP神经网络模型具有自适应性和非线性拟合能力，可以处理各种复杂的地下水位预测问题。
在吉林西部地下水位预测中，BP神经网络模型可以根据历史地下水位数据和其他影响因素进行训练和预测，能够较好地模拟地下水位的动态变化。
支持向量回归模型是一种基于统计学习理论的预测模型，可以通过构建高维特征空间和最优超平面来预测地下水位的变化。
支持向量回归模型在吉林西部地下水位预测中的应用较少，但具有较好的泛化性能和鲁棒性。
支持向量回归模型可以根据历史地下水位数据和其他相关变量进行训练和预测，能够提供较为准确的地下水位预测结果。
对比来看，ARIMA模型适用于相对简单的地下水位预测问题，具有较好的稳定性和准确性；BP神经网络模型适用于复杂的地下水位预测问题，具有强大的非线性拟合能力；支持向量回归模型适用于需要考虑多个变量和复杂关系的地下水位预测问题。
综上所述，根据地下水位预测的具体情况和要求，可以选择适合的模型进行应用。
在吉林西部地下水位预测中，ARIMA模型、BP神经网络模型和支持向量回归模型都具有一定的应用潜力，可以根据具体情况选择合适的模型进行预测。
利用灰色-BP神经网络组合模型对延吉市地下水位预测
［ ｃ ］ 一套， 套 专 ｌ ，
料进行训练学 习 ， 进行联想 、 合和推广 ， 综 使资料
更趋 于优 化 的灰 色一Ｂ Ｐ神 经 网 络 组 合 模 型 ， 对 开 开 采 区地 下 水 水 位 变 化 趋 势 预 测 ， 引 进 有 效 并
则 预测方 法 的有 效度 指标 定义 为 ：
势 进 行 分 析 预 测 。地 下 水 位 趋 势 预 测 的 方 法 很
，
一
ｌ
多 ， 中利用 模 型预测是 当前 常用 的方 法之一 ， 其
主要有 灰 色预测 模 型 （ Ｍ） 神 经 网络模 型 等 。 Ｇ 、
南Ａ构成预测方法 ， 精度序列 ， 序列的均值 该
与均方差 分别 为 ：
３８ ２ ．３ ２７ ９ ．５
５４ ５ ．６ ６７ ８ ４ ６９ ． ５１ ６７ ８ｌ ６６ ９ ６ ６ １３ ８ ６９ ７ ．５ ７０ ２Ｉ ７ １６ ．１
６７ ３ ．９ ６３ １ ．９
－０ ４ ８ ．６ １ ７９ ． ２ ０５ ９ ３ －０ ３ ３ ３ ０ ８ Ｉ ｔ — １３ ９ ．０ ２０ ３ ．８ －０ Ｉ ０ ２ －０ ２ ５ ２
５４９ ． １ ６６ ６３ ６９１ ． ４ ６８ ０４ ６６ｌ ６ ６２ ５ ．６ ６ ８ ｌ ５ ７０２ ９ ７Ｉ ２ ．３
６９ ６８ ６４ ９ ．８
Ｉ９ ９ ０ １ ９０ ９ ｌ９ ９ ２ １９ ９ ３ １ ） ４
１模 型 的建 立
１１预 测方 法有 效度 概念 ．
。１一 ｌ 盟Ｉ Ｉ
：
Ｙ ｝ ，
，
设 为实 际值 ，为某一预测方法的预测值 ， Ａ
为 预测精 度 。 的
所 以该组合的预测有效度为： Ｓ ＝ ）１ 【］ ｉ Ｅ ［一 ＾ ｌ １
BP和RBF神经网络的地下水位预测结果比较
BP和RBF神经网络的地下水位预测结果比较【摘要】地下水位的变化是一个复杂的非线性过程，并且地下水位与其影响因素之间存在着复杂的非线性关系。
对于处理这类问题神经网络是一种合适的方法。
本文对BP和RBF神经网络在地下水位预测中的应用进行比较和研究。
通过仿真实例结果显示，BP神经网络和RBF神经网络都能很好的对地下水位进行预测，但是RBF神经网络比BP神经网络的训练速度更快，精度更高，充分体现了RBF神经网络中在地下水位预测中的优越性。
【关键词】地下水位;BP神经网络;RBF神经网络;MATLAB1.引言随着我国国民经济的快速发展，对地下水资源的开发利用日益增加。
通过对地下水位动态变化规律的预测研究，以此来制定科学的开发利用策略，具有重要的现实意义[1]。
地下水位受许多因素的影响，由于问题的高度复杂性地下水位预测还有许多问题未解决。
近几年，许多学者将神经网络用于地下水位的预测并且取得了不少有价值的成果。
2.BP神经网络BP算法的基本原理是利用输出后的误差来估计输出层的直接前导层的误差，再利用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计[5]。
BP神经网络结构图，如图1所示。
BP网络学习的过程是神经网络在外界输入样本的刺激下不断改变网络的连接权值，以使网络的输出不断地接近期望输出。
BP网络的学习本质是对各连接权值的动态调整，其学习规则是权值调整规则，即在学习过程中网络中各神经元的连接权变化所依据的一定的调整规则。
3.RBF神经网络RBF网络的基本思想是用RBF作为隐单元的“基”构成隐含层空间，将输入矢量直接（即不需要通过权连接）映射到隐空间;当RBF的中心点确定后，映射关系也就确定;隐含层空间到输出空间的映射是线性的[7]。
RBF神经网络结构图，如图2所示。
4.数据样本的采集及预处理利用神经网络进行地下水位预测，首先应该提取有关地下水位预测重要指标，确定网络结构。
基于图神经网络的灌区地下水位预测研究
基于图神经网络的灌区地下水位预测研究目录一、内容描述 (2)1.1 研究背景与意义 (2)1.2 研究现状及发展趋势 (3)1.3 研究目标与内容 (4)二、图神经网络理论基础 (4)2.1 神经网络概述 (5)2.2 图神经网络概念及原理 (7)2.3 图神经网络的应用与发展 (8)三、灌区地下水位影响因素分析 (9)3.1 自然因素 (10)3.2 人为因素 (11)3.3 影响因素的关联性分析 (12)四、基于图神经网络的地下水位预测模型构建 (14)4.1 数据预处理 (15)4.2 模型架构设计 (16)4.3 模型训练与优化 (17)五、实验设计与结果分析 (18)5.1 数据集介绍及来源 (19)5.2 实验设计 (20)5.3 实验结果分析 (21)5.4 模型性能评估 (22)六、模型应用与验证 (24)6.1 模型在灌区实际应用中的部署与实施 (25)6.2 模型预测结果与实际观测数据的对比验证 (26)6.3 模型的进一步优化与调整策略 (27)七、结论与展望 (28)7.1 研究结论 (29)7.2 研究创新点及成果意义 (30)7.3 研究不足与展望 (32)一、内容描述本研究旨在探讨基于图神经网络的灌区地下水位预测方法，随着全球气候变化和人类活动的影响，地下水资源的开发利用日益受到重视。
地下水位作为衡量水资源可持续利用的重要指标，对于保障农业生产、城市供水和生态环境具有重要意义。
由于地下水位受多种因素影响，如降水、蒸发、补给和径流等，预测地下水位具有一定的复杂性。
研究一种有效的地下水位预测方法具有重要的理论和实践价值。
1.1 研究背景与意义随着全球气候变化和城市化进程的加速，水资源管理面临着前所未有的挑战。
地下水位作为反映区域水资源状况的重要指标，其预测研究对于保障水资源可持续利用、防止地质灾害以及维护生态环境健康至关重要。
农业灌溉活动对地下水位的影响尤为显著，因此精准预测灌区地下水位的变化对于实现水资源的高效利用和农业可持续发展具有重大意义。
改进的BP神经网络模型在地下水预测中的应用研究
改进的BP神经网络模型在地下水预测中的应用研究
谢玉琴
【期刊名称】《水利规划与设计》
【年(卷),期】2016(0)7
【摘要】针对传统BP神经网络模型局部较易收敛的缺点,引入小波分析函数对传统BP神经网络模型节点计算进行改进,并将改进的BP神经网络模型在新疆地区地下水预测中进行应用,研究结果表明:改进的BP神经网络模型可解决模型局部较易收敛问题,预测的地下水水位和实测的地下水水位更为接近,预测的地下水水位和实测水位之间的相关性年尺度达到0.85,高于传统BP神经网络模型的预测精度.【总页数】4页(P45-47,67)
【作者】谢玉琴
【作者单位】新疆维吾尔自治区水文水资源局,新疆乌鲁木齐122000
【正文语种】中文
【中图分类】TP18
【相关文献】
1.灰色BP神经网络模型在民勤盆地地下水埋深动态预测中的应用 [J], 杨婷;魏晓妹;胡国杰;许义和
2.改进的BP神经网络模型在辽宁中部河流水质预测中的应用研究 [J], 郑鹏
3.基于遗传算法的BP神经网络模型在地下水埋深预测中的应用——以蒙城县为例[J], 陈笑;王发信;戚王月;周婷
4.预测济南地下水位的BP神经网络模型及其改进 [J], 王宗志;金菊良;郑子升;张玲
玲
5.改进的BP神经网络模型在麻疹预测中的应用研究 [J], 徐学琴;杜进林;孙宁;徐玉芳;李建伟
因版权原因，仅展示原文概要，查看原文内容请购买。
用BP神经网络预测地下水动态
用BP神经网络预测地下水动态
赵胜利;刘燕;李书全;庞章斌
【期刊名称】《河北农业大学学报》
【年(卷),期】2002(25)4
【摘要】地下水系统是一个复杂的随机系统,本文根据地下水位与其影响因素之间存在的映射关系,建立了一个BP人工神经网络模型,并将其用于地下水位的动态预测.实例表明,该方法预测精度较高,具有一定的推广价值.
【总页数】3页(P205-207)
【作者】赵胜利;刘燕;李书全;庞章斌
【作者单位】河北农业大学,城乡建设学院,河北,保定,071001;河北农业大学,城乡建设学院,河北,保定,071001;河北农业大学,城乡建设学院,河北,保定,071001;河北省水利工程局,河北,石家庄,050000
【正文语种】中文
【中图分类】P641.74
【相关文献】
1.BP-ANN模型在地下水动态预测中的应用研究 [J], 李文超;胡天然;魏永霞
2.地下水动态的BP神经网络模型及改进的灰色斜率关联度分析 [J], 于国强;李占斌;张霞;李鹏;杜中
3.灰色模型及 BP 神经网络模型在灌区地下水动态中的对比应用 [J], 李娜
4.基于多变量相空间重构的地下水动态神经网络预测模型 [J], 刘卫林;董增川;陈南
祥;董贵明
5.基于BP神经网络的地下水动态预测 [J], 张斌;刘俊民
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BP神经网络模型在矿井涌水量预测中的应用
式（ ５ ） 。
的 。信 号从 输 入 层 进 入 网络 ， 通 过 隐 含 层 处理 后 传 输 到 输出层 ， 如果 输 出层 的 预 测 值 未 达 到 期 望 精 度 要 求 ， 则 反 方 向传 播 ， 通 过不 断 调 整 网 络 权 值 和 阈值 ， 网络 对 输
入 模 式 响 应 的 正 确 率也 不 断上 升 ｃ ３ ］ 。 Ｂ Ｐ神 经 网 络 模 型 的基 本 算 法 如 下 ： 设 三层 Ｂ Ｐ神 经 网络 ， 其包 含输 入 层 Ｘ、 隐 含 层 Ｈ、 输 出 层 Ｙ， 神 经 元
１ 引 言
矿井 涌水 量 是 指 在 矿 山 建 设 和 生 产 过 程 中单 位 时 间 内 通过 各 种’ 巷 道 和 开 采 系 统 流 人 矿 井 的水 量 ］ 。 准 确 预测 矿 井 涌水 量 不 仅 对 矿 山 的安 全 生 产 至 关 重要 ， 而 且还 关 系 到 设 计 的排 水 方 案 是 否 经 济 、 合 理 的 问题 。 矿 井 井 下 复杂 的水 文 地 质 环 境 给 煤 矿 的 生 产 过 程 中 的 涌 源自和 阈值 进 行 修 正 ：
优化BP神经网络在地下水计算中的应用
１ 标准 Ｂ Ｐ神经网络模 型
Ｂ Ｐ神经 网络 由输入层 、 隐含层 和输 出层 组成 ， Ｐ神经 网 Ｂ
络 的学 习过 程 主 要 为 信 息 的 正 向 传 播 和 误 差 的 反 向 传 播 。输
式中 ： 、 分别 为 ｄ维空问第 ｉ 个粒子的原速度和更新后 的 速度 ； ｔ （ ，） 为惯性 权值 ； 、 ｏ∈ ０ ２ ， ｃ ｃ 学习 因子 ；ａ ｄ ）为 ：为 Ｒ ｎ（
（ ， ）问相 互 独 立 的 随机 数 ； 粒 子 的位 置 。 ０１ ．为
粒 子 新 的位 置 可表 示 为 Ｘ ＝Ｘ，＋ ｉ ｔ （） ２
入信息 由输入层输入 网络 ， 经过 隐含层逐 层处理 后 ， 由输 出层 输 出， 完成信息 的正 向传播 。如果输 出值 和实际值之间的误差 Ｅ不满足给定的误差 要求 ， 则进 入误差 的反 向传播 阶段 ， 误 将 差值按反方 向的顺序逐层 反馈 ， 并分 摊给各 层神经元 ， 经元 神 以各 自误差信号为依据修正权 值， 完成一 次训练 过程。然后 再
第 ３ 第 ５期 ３卷
２１ ０ １年 ５月
人
民
黄
河
Ｖｏ ． ３， ． １３ Ｎｏ ５ Ｍａ ２ １ ｙ， ０ １
ＹＥＬＬ ＯＷ
ＲＩ ＶＥＲ
【 资源 】 水
优化 Ｂ Ｐ神 经 网络 在 地下水 计 算 中的应 用
陈 琳 刘俊 民 明柯 柯 杨 建 飞 ， ， ，
（ ． 北 农 林 科 技 大 学 水 利 与建 筑工 程 学 院 ， 西 杨 凌 ７ ２０ ； ． 郑 县水 利 局 ， 西 南 郑 ７ ３０ ） １西 陕 １ １０ ２ 南 陕 ２ １０
地 下 水 的 相 关 计 算 ， 论 是 资 源 量 计 算 、 位 预 测 ， 是 水 无 水 还
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
61 08
0 683
备注
拟合: 降水量、大陈闸水 位、开采量均为实测值
10
时间 年- 月
2000- 06 2000- 07 2000- 08 2000- 09 2000- 10 2000- 11 2000- 12 2001- 01 2001- 02 2001- 03 2001- 04 2001- 05 2001- 06 2001- 07 2001- 08 2001- 09 2001- 10 2001- 11 2001- 12
须对影响地下水水位的各种因素作一分析说
明, 例如对地下水的补给来源、排泄方式要清
楚。选取主要的影响因素并对其数据归一化
处理, 即可作为神经网络的输入分量, 地下水
水位作为神经网络的输出量, 然后开始实验。
实验采用 C 语言编制的 BP 网络程序, 选用 某水源地的地下水水位变化资料进行。地下
水水位主要与以下几个因素有关: 降水量、生
2001 年第 4 期
勘察科学技术
7
基于 BP 神经网络的地下水水位预测*
赵延涛 姜宝良
( 河南省工程水文地质勘察院 郑州市 450052)
提要 基于 BP 网络模型, 对地下水水位变化规律进行了定量预测。网络模型由三层构 成: 输 入 层、隐含层、输出层。节点单元以及各层间的连接强度决定了 BP 网络的执行 情况。实验结果 表 明, BP 神经网络是一种较为有效的 预测方法。 关键词 BP 神经网络 地下水水位 预测
分别用训练后的 BP 网络模型和逐步回 归模型预测了 2000 年 12 月至 2001 年 12 月
生产井平均静水位。 从表 1 可以看出, 两种方法的预测值与
实测值比较接近, 有较好的一致性。实例表 明, BP 神经网络直接利用大量已知的数据, 通过学习这些数据内在的联系, 建立输入与 输出之间的关系, 从而对新的输入进行预测 和判断, 建模精度较高。BP 网络预测的优点 是: 在预报过程中, 不需要进行事后人为的定 性分析与判断。
61 51
62 03
60 66
61 64
59 02
61 93
60 60
64 55
64 75
67 00
66 95
65 05
65 07
67 31
67 61
66 04
66 22
65 90
66 09
备注
预测: 降水量、大陈闸水 位、开采量均为实测值
预 测: 根 据区 域降 水量 变 化规律, 2001 年 应为 平 水年, 所以 降水 量和 大陈闸水位选用平水年 的 实测 值, 开 采量 选用 2000 年 作 为 现 状 开 采 量进行预测
BP 网络由输入层、隐含层、输出层组成 ( 见图 1) , 输入 层和输出层的单元数是由具 体问题的 输入层参数和 输出层参数 来确定 的, 而隐含层的单元数则由具体问题的复杂 程度、误差下降情况等来确定。
图 1 BP 网络模型
BP 网络间连接权( W1 、W2 ) 在网络的学 习中不断得到修正, 使输入层与隐含层之间、 隐含层与输出层之间的两组权所构成的网络 能实现学习样本中输入矢量与输出矢量间特 定的映射关系, 权的分布体现了各输入分量 在输入矢量中所占特征强度的分布。
PREDICTION OF GROUNDWATER LEVEL VARIATION BASED ON THE BP NEURAL NETWORK
Zhao Yantao Jiang Baoliang ( Engineering Geology & Hydrogeology Investigat ion & Surveying Institut e, Henan Province)
1 引言
地下水水位因受降水、开采、蒸发等多种 因素制约, 在时序上常表现出复杂的非线性 特征, 一般用非线性模型来描述。非线性模 型的参数识别问题至今仍是研究的热点和难 点, 现有的方法大致可分为如下两类: 一是采 用线性变换, 再用线性回归方法估计模型的 参数, 然后经逆变换求出原模型的参数, 显然 它不能保证所估计参数对原模型而言是最佳 的; 二是采用常规的非线性优化方法, 如求导 法、复合形法等确定性非线性优化方法, 它们 属于单路径搜索, 在实用中往往存在局部优 化问题, 比如随机性优化方法, 计算量大且属 盲目寻优, 其有效性也是低的[ 5] 。
0 299
67 88
ห้องสมุดไป่ตู้
0 318
68 39
0 426
67 14
0 561
67 37
0 222
67 07
0 266
67 32
0 104
65 91
1 128
66 10
0 840
66 19
0 236
66 41
0 090
65 91
0 044
66 01
0 106
66 48
0 791
66 63
1 016
62 28
4 结束语
本文对 BP 网络预报模型及其训练进行 了初步研究, 模型及其算法有待于在实践中 通过各种不同的问题和算例进一步得到检验 和完善。实际应用表明, BP 网络模型具有较 高的精度, 而且适用条件也比较宽, 线性、非 线性的问题都可以处理, 这为今后的城市地 下水水位的定量预报提供了一种新的方法。
时间 年- 月
1999- 11 1999- 12 2000- 01 2000- 02 2000- 03 2000- 04 2000- 05
表 1 BP 网络模型与逐步 回归模型拟合、预测对比
水位 实测值
m
BP 网络模型
预测结果 m
相对误差 %
回归方程
预测结果 m
相对误差 %
63 80
63 34
0 721
Abstract Groundwater level variation has been quant it atively predict ed based on the BP neural network model. The network model consists of three layers: the input layer, t he hidden layer, and the output layer. The nodes and the connect ivity strength between the layers determine the performance of the BP neural network. The experimental result shows t hat the BP neural network is an effective method for groundwater level prediction. Keywords BP neural network; groundwater level; prediction
BP 网络 的算 法步 骤可归 纳如 下: 初始 化, 选定 结构合理的 网络, 置所有可 调参数 ( 权和阈值) 为均匀分布的较小数值; 对每个 输入样本作前向计算、反向计算和权值修正; 输入新的样本, 直到误差达到预定要求, 训练 时各周期样本的输入顺序要重新随机排序。
3 实验与分析
3 1 实验数据的选取 用 BP 网络进 行地下水 水位预测 前, 必
况来确定。选用 1999 年 11 月至 2000 年 11 月
2001 年第 4 期
勘察科学技术
9
图 2 生产井平均静水位 、降水量、生产井开采量、大陈闸水位动态曲线
逐月观测数值共 13 个样本, 对网络模型进行 训练。训练结果表明, 当中间隐含层单元个 数为三时, 网络模 型可获得 较理想的 结果。 这样就形成了由三个输入单元对应于上月降 水量、生产井当月开采量、大陈闸当月水位, 三个中间隐含层单元, 一个输出单元对应于 生产井平均静水位组成的三层网络模型。 3 4 预测对比
本文以地下水水位动态变化为背景, 结合 人工神经网络、模式识别技术, 对地下水水位 变化情况进行模式分类及识别, 基于 BP 神经 网络对某水源地的地下水水位进行了预测。
2 方法简介
神经网络是人们在模仿人脑处理问题的 过程中发展起来的一种新型智能信息处理理 论, 它通过大量的称为神经元的简单处理单
8
H 闸 第 i 月大陈闸水位, m。 i
回归方程的复相关系数 R= 0. 971, 剩余
标准差 Sy = 0 365。
3 3 网络模型的建立 选择上月降水量、生产井当月开采量、大
陈闸当月水位作 为 BP 网络的 输入量, 生产
井平均静水位作为输出量。该网络模型的中
间隐含层单元数由实际计算时的误差下降情
方程:
H 静 = 18 72192 + ( - 1 646911 10- 4 ) Q 开 +
i
i
( 8 722665 10- 3 ) Pi- 1 + ( 0. 6684919) H 闸 i
式中 H 静 i
第 i 月静水位回归值, m;
Q 开 第 i 月水源地生产井开采量, i
m3 / d;
Pi - 1 第 i - 1 月降水量, mm;
63 77
0 047
63 35
62 88
0 739
63 21
0 221
63 55
63 78
0 360
64 22
1 054
63 17
62 88
0 457
63 17
0 000
63 12
63 15
0 051
63 25
0 206
62 41
62 65
0 386
62 51