亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        人工神經(jīng)網(wǎng)絡模型在白城地區(qū)枯季地下水位預測中的應用

        2010-08-08 07:20:10羅麗燕趙松源
        東北水利水電 2010年12期
        關鍵詞:權值修正閾值

        姜 波 ,王 鋒 ,羅麗燕 ,趙松源 ,鐘 誠

        (1.吉林省水文水資源局,吉林 長春 130022;2.云南省水文水資源局玉溪分局,云南 玉溪 653100;3.吉林松遼工程監(jiān)理有限公司,吉林 長春 130021)

        1 區(qū)域概況

        白城市位于吉林省西北部,嫩江平原西部,科爾沁草原東部。多年均降水量382.2 mm;年均蒸發(fā)量1 801.6 mm(φ20 cm)。全市總水資源量為22.72億m3/a,其中:地下水天然資源量為20.83億m3/a,地下水可開采資源量為15.39億m3/a。地下水主要補給來源有:降水入滲補給、河水滲漏補給、田間灌溉補給和區(qū)外側(cè)向補給。

        白城市是國家商品糧重要產(chǎn)區(qū),也是水資源緊缺、生態(tài)環(huán)境脆弱的地區(qū),因此科學合理預測地下水資源,將為我國東北的干旱半干旱平原區(qū)地下水資源的開發(fā)利用,為發(fā)展糧食生產(chǎn),為保障人民生活用水,為維持生態(tài)環(huán)境,提供重要的基礎依據(jù)。

        2 人工神經(jīng)網(wǎng)絡預測模型建立

        人工神經(jīng)網(wǎng)絡是一種模仿人腦結(jié)構及其功能的非線性信息處理系統(tǒng),具有并行的結(jié)構與處理功能、非線性處理功能、較強的穩(wěn)健性和容錯性以及自組織自學習的能力等顯著特點,其中基于BP算法的前饋型神經(jīng)網(wǎng)絡,是ANN中比較成熟的一種,并得到了廣泛的應用。本文在回顧BP算法的基礎上,以白城46號井枯季地下水位預測為實例用Excel的工作表和宏中Visual Basic編輯器來實現(xiàn)該算法。

        2.1 BP網(wǎng)絡模型結(jié)構

        典型的BP網(wǎng)絡是三層前饋階層網(wǎng)絡,各層之間實行全連接,即下層的每個單元都實現(xiàn)權聯(lián)結(jié),而每層各神經(jīng)元之間無聯(lián)結(jié)。輸入層節(jié)點數(shù)為N1,隱含層節(jié)點數(shù)為N2,輸出層節(jié)點數(shù)為N3,輸入層和隱含層節(jié)點之間的連接權值為Wij,隱含層節(jié)點的閾值為θj,隱含層和輸出層節(jié)點之間的連接權值為Wjk,輸出層節(jié)點的閾值為θk。

        BP網(wǎng)絡的學習過程即“模式順傳播”—“誤差逆?zhèn)鞑ァ薄坝洃浻柧殹薄皩W習收斂”4個過程。為模擬生物神經(jīng)元的非線性特性,以S函數(shù)(sigmoid函數(shù))作為神經(jīng)元的激活函數(shù),在網(wǎng)絡的訓練過程中,各層之間的連接權起著“傳遞特征”的作用,各連接權從初始的隨機值逐漸演變,最終達到能夠表征輸入模式特征的過程,即所謂網(wǎng)絡的“自組織化過程”。這對于難以進行線性回歸數(shù)學模擬的復雜的隱函數(shù)模型確為一種較好的數(shù)學擬合工具。

        2.2 神經(jīng)網(wǎng)絡BP算法

        2.2.1 計算網(wǎng)絡各層節(jié)點輸出

        設有M組樣本,對于第P組樣本,其輸入為hip,輸出為Oip,在輸入層,輸入節(jié)點只是將輸入傳播給隱含層,因此對于任一第P組樣本,節(jié)點輸入與輸出相等,即Oip=hip。

        對于隱含層第j節(jié)點,其輸入Netjp為

        輸出Ojp為

        對于輸出層第k節(jié)點,其輸入Netkp和輸出Okp分別為

        2.2.2 修正權值、閾值

        第P組樣本的輸出Okp代表了神經(jīng)網(wǎng)絡對輸入hip的相應。設第P組樣本的期望輸出為gkp,若網(wǎng)絡輸出Okp與期望輸出值gkp不一致,則其第P組樣本誤差為

        學習樣本系統(tǒng)誤差為

        學習算法通過調(diào)節(jié)網(wǎng)絡中各節(jié)點連接權值(Wij,Wjk)和閾值(θj,θk)來實現(xiàn) Ep,E 最小,以使網(wǎng)絡的實際輸出盡可能接近期望輸出。

        1)權系數(shù)修正。

        輸出層與隱含層節(jié)點之間的權系數(shù)修正公式為

        式中:η為學習速率,一般在(0,1)內(nèi)取值。

        定義反傳播誤差信號δkp為

        隱含層與輸入層節(jié)點之間的權系數(shù)修正公式為

        為改善網(wǎng)絡性能,在修正權值時加入沖量項α,則權值修正量公式為

        式中:α△PWjk(t)、α△PWij(t)為動量項,α為沖量因子取值 0~1,t為訓練次數(shù)。

        第t+1次訓練的輸出層、隱含層修正權值為

        2)閾值修正。

        第t+1次訓練的輸出層、隱含層閾值修正公式為

        其中,隱含層閾值修正量△Pθj、輸出層閾值修正量△Pθk分別為

        BP算法學習步驟:①隨機抽取初始權值、閾值;②輸入學習樣本、學習速率、沖量因子、誤差水平ε;③依次計算各層輸出;④修正網(wǎng)絡權值、閾值;⑤若誤差E<ε停止,否則轉(zhuǎn)入③重新迭代計算。

        3 模型應用

        3.1 選用預測站基本情況

        本文選用的預測站為白城46號地下水觀測井,位于白城市南部,東經(jīng)122.53°,北緯45.41°,是吉林省西部干旱和半干旱平原區(qū)最具代表性的地段。選用該站自1982年至2004年共23年系列資料進行分析計算,資料詳見表1。以白城46號井的地下水位時間序列為例,建立地下水位預測模型。

        表1 白城46號井5月平均水位及有關因子實測資料表

        3.2 資料分析與建模

        由于預測地區(qū)的土壤、地質(zhì)、地貌等自然地理特性在一定時空范圍內(nèi)具有相當?shù)姆€(wěn)定特性,即監(jiān)測地區(qū)自然地理特性基本不變,因此在建立BP模型時可以不予考慮。經(jīng)分析,該站10月平均水位、汛期6—9月降水量、枯季11—次年3月降水量與次年5月平均水位相關關系較好,所以選取10月平均水位H9(X1)、汛期降水量P6-9(X2)、枯季降水量P11-3(X3)共3個主要因素與5月平均水位H5(Y1)進行建模預測。白城46號井5月平均地下水位及有關因子實測資料詳見表1,并將其劃分為學習樣本集和檢驗樣本集,學習樣本(1982—2000年共19年資料)用于建立BP模型,使模型具有較高的擬合精度;檢驗樣本(2001—2004年共4年資料)用于對得出的模型進行預測檢驗。

        模型中選取X1,X2,X3共3個因子作為輸入變量,Y1作為輸出變量,將已知的樣本數(shù)據(jù)進行歸一化處理,采用輸入層節(jié)點數(shù)N1=3,1輸出層節(jié)點數(shù)N3=1,隱含層節(jié)點數(shù)N2=4的三層BP網(wǎng)絡建模。取學習率η=0.75,沖量因子α=0.9,表1中前21組數(shù)據(jù)為學習樣本,后4組數(shù)據(jù)為檢驗樣本,利用學習樣本對BP網(wǎng)絡模型進行訓練,滿足設定條件后將檢驗樣本輸入訓練好的BP網(wǎng)絡模型,對模型進行檢驗。最后將歸一化的水位變換后就可得非歸一化的水位。網(wǎng)絡訓練與檢驗結(jié)果分別列于表2、表3。

        由學習樣本得出最優(yōu)權值 Wij,Wjk,閾值 θj,θk矩陣:

        表2 BP網(wǎng)絡模型訓練結(jié)果

        表3 BP網(wǎng)絡模型檢驗結(jié)果

        由2表可以看出,白城46號井采用以1982—2001年系列資料進行擬合,以計算值與實際值的相對誤差不超過5%作為允許誤差,BP模型擬合合格率為79%,利用2001—2004年系列資料進行檢驗,檢驗合格率達到75%,說明,利用BP模型預測枯季地下水位是可行的,得出的水文要素值精度可以達到規(guī)范要求。

        4 結(jié)語

        通過應用BP神經(jīng)網(wǎng)絡模型對代表站地下水位進行預測,可得到以下幾點認識:

        1)從擬合和預測精度可以得出,應用BP模型預測地下水位是十分有效的。

        2)對于不同地區(qū)、不同下墊面條件,影響因子的確定可視具體情況而定。

        3)如果隨著時間的推移,不斷地積累和延長實際觀測資料,模型預測的精度將會不斷提高,預測結(jié)果的可靠性將更有保證。

        4)其成果方法可廣泛用于吉林西部,遼寧、黑龍江部分干旱半干旱平原區(qū),亦可以推廣到我國西北的部分地區(qū)。

        [1]董長虹.神經(jīng)網(wǎng)絡與應用[M].北京:國防工業(yè)出版社,2005.

        [2]謝新民.半干旱半濕潤地區(qū)枯季水資源實時預測理論與實踐[M].北京:中國水利電力出版社,1999.

        猜你喜歡
        權值修正閾值
        一種融合時間權值和用戶行為序列的電影推薦模型
        Some new thoughts of definitions of terms of sedimentary facies: Based on Miall's paper(1985)
        修正這一天
        快樂語文(2021年35期)2022-01-18 06:05:30
        CONTENTS
        合同解釋、合同補充與合同修正
        法律方法(2019年4期)2019-11-16 01:07:28
        小波閾值去噪在深小孔鉆削聲發(fā)射信號處理中的應用
        基于自適應閾值和連通域的隧道裂縫提取
        比值遙感蝕變信息提取及閾值確定(插圖)
        河北遙感(2017年2期)2017-08-07 14:49:00
        軟件修正
        基于權值動量的RBM加速學習算法研究
        自動化學報(2017年7期)2017-04-18 13:41:02
        男女视频网站免费精品播放| 精品无码专区久久久水蜜桃| 98在线视频噜噜噜国产| 日韩av一区在线播放| 成人麻豆视频免费观看| 久久无码专区国产精品| 亚洲一区爱区精品无码| 资源在线观看视频一区二区| 亚洲一区二区三区偷拍视频| 人妻插b视频一区二区三区| 国产精品视频一区国模私拍| 中文字幕亚洲精品人妻| 国产成人无精品久久久| 亚洲一区二区三区四区精品| 日本动漫瀑乳h动漫啪啪免费| 每天更新的免费av片在线观看| 91狼友在线观看免费完整版| 亚洲一区二区蜜桃视频| 人妻尝试又大又粗久久| 97精品伊人久久大香线蕉app | 精品国产成人一区二区不卡在线| 亚洲一区二区三区国产| 成人做受视频试看60秒| 欧美在线不卡视频| 国产亚洲精品一区二区在线播放| 成午夜福利人试看120秒| 欧洲成人午夜精品无码区久久 | 久久丁香花综合狼人| 午夜精品久久99蜜桃| 中文人妻熟妇乱又伦精品| 99国产小视频| 亚洲精品综合久久中文字幕| 人成午夜大片免费视频77777| 真实国产乱啪福利露脸| AV无码系列一区二区三区| 国产精品一区二区av不卡| 无码福利写真片视频在线播放| 午夜短无码| 日产分东风日产还有什么日产| 美丽人妻在夫前被黑人| 96精品在线|