崔東文

(云南省文山州水務(wù)局，云南 文山 663000)

基于極限學(xué)習(xí)機(jī)的長(zhǎng)江流域水資源開發(fā)利用綜合評(píng)價(jià)

崔東文

(云南省文山州水務(wù)局，云南 文山 663000)

為能客觀、準(zhǔn)確地對(duì)長(zhǎng)江流域水資源開發(fā)利用進(jìn)行綜合評(píng)價(jià)，利用層次分析法構(gòu)建了符合長(zhǎng)江流域水資源開發(fā)利用現(xiàn)狀的綜合評(píng)價(jià)指標(biāo)體系和分級(jí)標(biāo)準(zhǔn)，基于極限學(xué)習(xí)機(jī)(ELM)算法原理，構(gòu)建了ELM水資源開發(fā)利用綜合評(píng)價(jià)模型對(duì)長(zhǎng)江流域及主要水系水資源開發(fā)利用進(jìn)行綜合評(píng)價(jià)，并構(gòu)建RBF、BP神經(jīng)網(wǎng)絡(luò)模型作為對(duì)比評(píng)價(jià)模型。采用隨機(jī)內(nèi)插的方法在各評(píng)價(jià)分級(jí)標(biāo)準(zhǔn)閾值間生成訓(xùn)練樣本和檢驗(yàn)樣本，在達(dá)到預(yù)期評(píng)價(jià)精度后將模型運(yùn)用于長(zhǎng)江流域水資源開發(fā)利用綜合評(píng)價(jià)中。結(jié)果表明:ELM水資源開發(fā)利用綜合評(píng)價(jià)模型對(duì)長(zhǎng)江流域及主要水系水資源開發(fā)利用綜合評(píng)價(jià)等級(jí)為4～8級(jí)，處于有潛力至失衡之間，與長(zhǎng)江流域各主要水系水資源開發(fā)利用現(xiàn)狀相符;該模型的評(píng)價(jià)精度和泛化能力均優(yōu)于RBF及BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型，是合理可行和有效的，可應(yīng)用于長(zhǎng)江流域水資源開發(fā)利用綜合評(píng)價(jià)，具有參數(shù)選擇簡(jiǎn)便、評(píng)價(jià)精度高、泛化能力強(qiáng)等優(yōu)點(diǎn)。

水資源開發(fā)利用;極限學(xué)習(xí)機(jī);RBF神經(jīng)網(wǎng)絡(luò);BP神經(jīng)網(wǎng)絡(luò);長(zhǎng)江流域

水資源開發(fā)利用綜合評(píng)價(jià)是區(qū)域水資源可持續(xù)發(fā)展綜合分析與評(píng)價(jià)的核心技術(shù)之一，用以反映區(qū)域水資源及其開發(fā)利用狀況，對(duì)區(qū)域水資源開發(fā)利用與環(huán)境生態(tài)保護(hù)、促進(jìn)水資源可持續(xù)利用具有重要意義［1-2］。目前用于區(qū)域水資源開發(fā)利用綜合評(píng)價(jià)的方法有模糊集理論方法、人工神經(jīng)網(wǎng)絡(luò)理論方法、灰色系統(tǒng)理論方法、數(shù)理統(tǒng)計(jì)方法等［3］，但由于水資源及其開發(fā)利用是一個(gè)復(fù)雜巨系統(tǒng)，評(píng)價(jià)指標(biāo)較多，對(duì)評(píng)價(jià)指標(biāo)的篩選與權(quán)重的賦值普遍采用層次分析等方法［4］，存在明顯的主觀臆斷成分，對(duì)其評(píng)價(jià)并不適宜建立常規(guī)數(shù)學(xué)模型，而是借助諸如人工智能、模糊識(shí)別、知識(shí)工程等方法建立模型，以處理多指標(biāo)系統(tǒng)的綜合評(píng)價(jià)問題［5］。目前，模擬智能算法已成為建立和評(píng)價(jià)這類復(fù)雜系統(tǒng)最為有效的方法之一，其中人工神經(jīng)網(wǎng)絡(luò)(artifical neural network，ANN)則是這類智能算法中運(yùn)用最為廣泛的算法之一。將ANN用于水資源開發(fā)利用綜合評(píng)價(jià)等此類型的評(píng)價(jià)中［6-8］，存在兩個(gè)關(guān)鍵性問題:一是沒有統(tǒng)一完善的評(píng)價(jià)指標(biāo)體系和分級(jí)標(biāo)準(zhǔn);二是如何有效解決神經(jīng)網(wǎng)絡(luò)由于“欠擬合”與“過擬合”所導(dǎo)致的網(wǎng)絡(luò)泛化能力降低的問題［6-9］。為能客觀、準(zhǔn)確地對(duì)水資源開發(fā)利用進(jìn)行綜合評(píng)價(jià)，針對(duì)水資源開發(fā)利用綜合評(píng)價(jià)中的關(guān)鍵性問題，本文構(gòu)建了符合長(zhǎng)江流域水資源開發(fā)利用現(xiàn)狀的綜合評(píng)價(jià)指標(biāo)體系和分級(jí)標(biāo)準(zhǔn)，基于極限學(xué)習(xí)機(jī)(extreme learning machine，ELM)算法原理，構(gòu)建了ELM水資源開發(fā)利用綜合評(píng)價(jià)模型(以下簡(jiǎn)稱ELM評(píng)價(jià)模型)。采用隨機(jī)內(nèi)插的方法在各評(píng)價(jià)分級(jí)標(biāo)準(zhǔn)閾值間生成訓(xùn)練樣本和檢驗(yàn)樣本，選用決定系數(shù)R2以及平均絕對(duì)誤差δMAE、均方根絕對(duì)誤差 δRMSE、平均相對(duì)誤差 δMAPE、均方根相對(duì)誤差δRMAPE共5個(gè)統(tǒng)計(jì)學(xué)指標(biāo)對(duì)ELM評(píng)價(jià)模型及RBF和BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型進(jìn)行性能評(píng)價(jià)，在達(dá)到預(yù)期的評(píng)價(jià)精度后將模型運(yùn)用于流域水資源開發(fā)利用綜合評(píng)價(jià)中，并認(rèn)為訓(xùn)練樣本、檢驗(yàn)樣本的 R2足夠大，δMAE、δRMSE、δMAPE和 δRMAPE足夠小，且滿足各評(píng)價(jià)指標(biāo)相近時(shí)模型具有很好的評(píng)價(jià)精度和泛化能力，此時(shí)可將模型運(yùn)用于長(zhǎng)江流域及主要水系的水資源開發(fā)利用綜合評(píng)價(jià)。

1 ELM原理

ELM是一種新型單隱層前向神經(jīng)網(wǎng)絡(luò)(singlehidden layer feedforward neural network，SLFN)［10］，ELM算法隨機(jī)產(chǎn)生輸入層與隱含層間的連接權(quán)值及隱含層神經(jīng)元閾值，且在訓(xùn)練過程中無(wú)需調(diào)整，只需要設(shè)置隱含層神經(jīng)元的個(gè)數(shù)，便可以獲得唯一的最優(yōu)解。與傳統(tǒng)的訓(xùn)練方法相比，該方法具有學(xué)習(xí)速度快、泛化性能好等優(yōu)點(diǎn)。ELM算法原理如下:

式中:ai為連接第i個(gè)隱含層節(jié)點(diǎn)的輸入權(quán)值，ai=(ai1，ai2，…，ain)T;bi為第 i個(gè)隱含層節(jié)點(diǎn)的偏差;βi為連接第i個(gè)隱含層節(jié)點(diǎn)的輸出權(quán)值，βi=(βi1，βi2，…，βim)T。激勵(lì)函數(shù) g(x)可以是“Sigmoid”、“Sine”或“RBF”等函數(shù)。

上述N個(gè)方程的矩陣形式可寫為

E(W)表示期望值和實(shí)際值之間的誤差平方和，問題求解就是尋找最優(yōu)的權(quán)值W=(a，b，β)使代價(jià)函數(shù)E(W)最小，其數(shù)學(xué)模型可表示為

Huang等［10-16］在前人研究的基礎(chǔ)上，基于以下定理為SLFN提出了ELM算法，為ELM的應(yīng)用提供了理論基礎(chǔ)。

定理1 設(shè)任意N個(gè)不同樣本(xi，ti)，其中xi=(xi1，xi2，…，xin)T∈Rn，ti=(ti1，ti2，…，tim)T∈Rm，N個(gè)隱含層節(jié)點(diǎn)和一個(gè)任意區(qū)間無(wú)限可導(dǎo)的激活函數(shù)g:R→R，SLFN在ai∈Rn和bi∈R任意賦值的情況下，所形成的隱含層矩陣H可逆，即方程組有精確解，代價(jià)函數(shù)E(W)=0。

定理2 設(shè)任意N個(gè)不同樣本(xi，ti)，任意小誤差e＞0，及在任意區(qū)間無(wú)限可導(dǎo)的激活函數(shù)g:R→R，總存在一個(gè)包含M(M≤N)個(gè)隱含層節(jié)點(diǎn)的SLFN，使得在ai∈Rn和bi∈R任意取值情況下，誤差E(W)≤e。

定理1和定理2表明，只要隱含層節(jié)點(diǎn)數(shù)足夠多，SLFN就能在輸入權(quán)隨機(jī)賦值情況下逼近任何連續(xù)函數(shù)。但為了使SLFN具有良好的泛化性能，通常M?N。當(dāng)輸入權(quán)以隨機(jī)賦值的方式確定后，所得隱含層矩陣H便是一個(gè)確定的矩陣，因此訓(xùn)練SLFN就轉(zhuǎn)化為計(jì)算Hβ=T的最小二乘解問題。

2 指標(biāo)體系構(gòu)建及綜合評(píng)價(jià)的實(shí)現(xiàn)

2.1 評(píng)價(jià)指標(biāo)及標(biāo)準(zhǔn)

鑒于國(guó)內(nèi)外水資源及其開發(fā)利用綜合評(píng)價(jià)指標(biāo)體系及分級(jí)標(biāo)準(zhǔn)的多樣性與復(fù)雜性，本文參考相關(guān)文獻(xiàn)［5，17-21］，根據(jù)水資源全屬性內(nèi)涵，結(jié)合評(píng)價(jià)和實(shí)踐需要［5］，利用層次分析法構(gòu)建適用于長(zhǎng)江流域水資源開發(fā)利用綜合評(píng)價(jià)的指標(biāo)體系和分級(jí)標(biāo)準(zhǔn)，將評(píng)價(jià)分為目標(biāo)層A、準(zhǔn)則層B和指標(biāo)層C 3個(gè)層次，如表1所示。目標(biāo)層A主要用于綜合評(píng)價(jià)水資源開發(fā)利用狀況;準(zhǔn)則層B用于反映水資源及其開發(fā)利用的內(nèi)部協(xié)調(diào)性，分別由水資源系統(tǒng)、水資源開發(fā)利用系統(tǒng)、水生態(tài)系統(tǒng)、水環(huán)境系統(tǒng)、經(jīng)濟(jì)社會(huì)系統(tǒng)和水資源供需狀況系統(tǒng)6部分構(gòu)成，它將水資源及其開發(fā)利用的各個(gè)方面有機(jī)地結(jié)合在一起;指標(biāo)層C反映水資源及其開發(fā)利用綜合評(píng)價(jià)中各個(gè)準(zhǔn)則層的具體指標(biāo)，由反映水資源系統(tǒng)等準(zhǔn)則的20個(gè)評(píng)價(jià)指標(biāo)組成，它是水資源及其開發(fā)利用綜合評(píng)價(jià)的基礎(chǔ)。建立適用于長(zhǎng)江流域水資源開發(fā)利用綜合評(píng)價(jià)的標(biāo)準(zhǔn)和尺度，將水資源開發(fā)利用綜合評(píng)價(jià)各指標(biāo)分為11等級(jí)，從1到11級(jí)依次遞減，即1級(jí)表示水資源開發(fā)利用潛力最大，11級(jí)最小，其余相互對(duì)應(yīng)，由此組成各指標(biāo)的評(píng)價(jià)標(biāo)準(zhǔn)，再按隸屬原則將各指標(biāo)量化分級(jí)，即把水資源開發(fā)利用綜合評(píng)價(jià)的最大值1與最小值0之間劃分為11等份(0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1)，依次對(duì)應(yīng)各評(píng)價(jià)等級(jí)，詳見表2。

表1 長(zhǎng)江流域水資源開發(fā)利用綜合評(píng)價(jià)指標(biāo)體系

2.2 綜合評(píng)價(jià)的實(shí)現(xiàn)

2.2.1 指標(biāo)數(shù)據(jù)標(biāo)準(zhǔn)化處理

為了消除表2中各評(píng)價(jià)指標(biāo)不同量綱對(duì)評(píng)價(jià)結(jié)果的影響，需對(duì)評(píng)價(jià)指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。對(duì)開發(fā)利用率、用水模數(shù)等指標(biāo)值越大對(duì)水資源開發(fā)利用綜合評(píng)價(jià)越不利的指標(biāo)，采用最大最小法進(jìn)行數(shù)據(jù)歸一化處理，公式為

經(jīng)過標(biāo)準(zhǔn)化處理后，數(shù)據(jù)處于［0，1］區(qū)間之內(nèi)，有利于網(wǎng)絡(luò)訓(xùn)練。

2.2.2 訓(xùn)練樣本及檢驗(yàn)樣本設(shè)計(jì)

為不失一般性，采用隨機(jī)內(nèi)插的方法在各評(píng)價(jià)分級(jí)標(biāo)準(zhǔn)閾值及各隸屬度間生成20個(gè)樣本，隨機(jī)選取15個(gè)樣本作為訓(xùn)練樣本，5個(gè)作為檢驗(yàn)樣本，以此計(jì)算共隨機(jī)內(nèi)插得到220個(gè)樣本，其中165個(gè)作為訓(xùn)練樣本，55個(gè)作為檢驗(yàn)樣本。為使各評(píng)價(jià)指標(biāo)具有相同的權(quán)重，依據(jù)表2，規(guī)定以各評(píng)價(jià)指標(biāo)上限的2倍和下限的0.5倍(極大與極小值)作為上下限值對(duì)各指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理。

2.2.3 網(wǎng)絡(luò)訓(xùn)練及性能評(píng)價(jià)

以表1中各評(píng)價(jià)指標(biāo)作為輸入向量，即輸入層神經(jīng)元個(gè)數(shù)為20個(gè);以各等級(jí)對(duì)應(yīng)的隸屬度作為輸出向量，即輸出層的神經(jīng)元數(shù)為1個(gè)，構(gòu)建20輸入1輸出的評(píng)價(jià)模型。采用ELM和RBF、BP神經(jīng)網(wǎng)絡(luò)對(duì)上述隨機(jī)內(nèi)插得到165個(gè)訓(xùn)練樣本和55個(gè)檢驗(yàn)樣本進(jìn)行評(píng)價(jià)。網(wǎng)絡(luò)在訓(xùn)練過程中常出現(xiàn)“欠擬合”和“過擬合”兩種狀態(tài)，會(huì)降低網(wǎng)絡(luò)的泛化能力。網(wǎng)絡(luò)“欠擬合”表示模型無(wú)法完全探測(cè)到復(fù)雜數(shù)據(jù)集中的信號(hào)，使得訓(xùn)練達(dá)不到預(yù)期的評(píng)價(jià)或預(yù)測(cè)精度;網(wǎng)絡(luò)“過擬合”表示模型會(huì)將信號(hào)連同噪聲一起進(jìn)行擬合，使得模型“記住”了訓(xùn)練樣本的信息而使網(wǎng)絡(luò)泛化能力降低，得不到理想的評(píng)價(jià)或預(yù)測(cè)精度［9，22］，基于此，本文選用決定系數(shù) R2、平均絕對(duì)誤差δMAE、均方根絕對(duì)誤差δRMSE、平均相對(duì)誤差δMAPE和均方根相對(duì)誤差δRMAPE共5個(gè)統(tǒng)計(jì)學(xué)指標(biāo)分別對(duì)模型的訓(xùn)練及檢驗(yàn)樣本進(jìn)行評(píng)價(jià)，當(dāng)訓(xùn)練樣本、檢驗(yàn)樣本的各統(tǒng)計(jì)學(xué)指標(biāo)相近時(shí)認(rèn)為模型具有很好的泛化能力和預(yù)測(cè)精度。決定系數(shù)R2在［0，1］區(qū)間內(nèi)，越接近 1，表明模型的性能越好;δMAE、δRMSE、δMAPE以及δRMAPE值越小，表明模型的性能越好［9］。統(tǒng)計(jì)學(xué)指標(biāo)計(jì)算公式如下:

表2 長(zhǎng)江流域水資源開發(fā)利用綜合評(píng)價(jià)指標(biāo)分級(jí)標(biāo)準(zhǔn)

由于ELM只需在確定激勵(lì)函數(shù)的情況下選擇隱含層節(jié)點(diǎn)數(shù)，參數(shù)確定過程較為簡(jiǎn)單。選取Sigmoid為激勵(lì)函數(shù)，采用循環(huán)訓(xùn)練算法確定當(dāng)ELM隱含層神經(jīng)元個(gè)數(shù)為20時(shí)網(wǎng)絡(luò)有著較好的評(píng)價(jià)精度和泛化能力;RBF神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型人為調(diào)節(jié)的參數(shù)少，只有一個(gè)閾值，程序同樣采取循環(huán)訓(xùn)練算法，最終確定RBF神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型的SPREAD和期望誤差分別為1和0.001時(shí)，網(wǎng)絡(luò)達(dá)到較好的評(píng)價(jià)精度和泛化能力。傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型采用目前較為普遍的Kolmogorv定理確定隱含層神經(jīng)元數(shù)，利用逐步增長(zhǎng)法或逐步修剪法確定最終神經(jīng)元數(shù)為21，預(yù)測(cè)模型結(jié)構(gòu)為20-21-1，隱含層和輸出層傳遞函數(shù)分別采用logsig和 purelin，訓(xùn)練函數(shù)采用traingdx，期望誤差為0.001，最大訓(xùn)練輪回為5000次時(shí)BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型達(dá)到了較好的評(píng)價(jià)精度和泛化能力。由于訓(xùn)練樣本和檢驗(yàn)樣本是采用隨機(jī)內(nèi)插生成，因此模型每次運(yùn)行結(jié)果均不一樣，本文采用隨機(jī)運(yùn)行10次的平均值作為ELM評(píng)價(jià)模型及RBF和BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型的對(duì)比實(shí)驗(yàn)結(jié)果，以此來評(píng)價(jià)模型性能的優(yōu)劣。對(duì)比實(shí)驗(yàn)結(jié)果見表3。

表3 評(píng)價(jià)模型對(duì)比實(shí)驗(yàn)結(jié)果

3 長(zhǎng)江流域水資源開發(fā)利用綜合評(píng)價(jià)

3.1 流域概況

長(zhǎng)江為我國(guó)的第一大河流，長(zhǎng)江流域是我國(guó)水資源豐沛地區(qū)之一，地處我國(guó)中南部，位于24°30′～35°45′N、90°33′～ 122°25′E 之間，流域面積約180萬(wàn)km2。長(zhǎng)江流域水系發(fā)育，主要有金沙江水系、岷沱江水系、嘉陵江水系、烏江水系、洞庭湖水系、漢江水系、鄱陽(yáng)湖水系和太湖水系。近年來，由于長(zhǎng)江流域內(nèi)水資源的持續(xù)開發(fā)利用，水污染、水土流失等環(huán)境生態(tài)問題不斷突顯，對(duì)水資源的開發(fā)利與管理保護(hù)造成不良影響。因而探尋簡(jiǎn)便、高效的評(píng)價(jià)模型對(duì)長(zhǎng)江流域水資源開發(fā)利用綜合評(píng)價(jià)具有重要意義［5］。2006年長(zhǎng)江流域及主要水系水資源開發(fā)利用評(píng)價(jià)指標(biāo)統(tǒng)計(jì)結(jié)果見表4。

表4 2006年長(zhǎng)江流域及主要水系水資源開發(fā)利用綜合評(píng)價(jià)指標(biāo)

3.2 評(píng)價(jià)結(jié)果及分析

利用ELM評(píng)價(jià)模型對(duì)2006年長(zhǎng)江流域及主要水系水資源開發(fā)利用進(jìn)行綜合評(píng)價(jià)，并對(duì)表2中水資源開發(fā)利用綜合評(píng)價(jià)等級(jí)臨界值進(jìn)行模擬計(jì)算，將模擬計(jì)算結(jié)果作為劃分長(zhǎng)江流域及主要水系水資源開發(fā)利用評(píng)價(jià)等級(jí)的依據(jù)，并采用“潛力大”等適當(dāng)語(yǔ)言對(duì)評(píng)價(jià)等級(jí)進(jìn)行定性描述，結(jié)果見表5和表6。

表5 ELM評(píng)價(jià)模型對(duì)水資源開發(fā)利用綜合評(píng)價(jià)等級(jí)臨界值模擬結(jié)果及描述

表6 2006年長(zhǎng)江流域及主要水系水資源開發(fā)利用綜合評(píng)價(jià)結(jié)果

分析表5和表6可以得出以下結(jié)論:

a.ELM評(píng)價(jià)模型對(duì)長(zhǎng)江流域及主要水系水資源開發(fā)利用綜合評(píng)價(jià)等級(jí)為4～8級(jí)，處于有潛力至失衡之間，符合長(zhǎng)江流域及主要水系水資源開發(fā)利用現(xiàn)狀，可為長(zhǎng)江流域的水資源開發(fā)利用與管理保護(hù)提供參考依據(jù)。ELM評(píng)價(jià)模型從定性和定量?jī)煞矫嬖u(píng)價(jià)長(zhǎng)江流域及主要水系水資源開發(fā)利用狀態(tài)，從評(píng)價(jià)結(jié)果可以看出，本文所研究建立的ELM評(píng)價(jià)模型和評(píng)價(jià)方法是合理可行的。

b.從模擬結(jié)果及評(píng)價(jià)等級(jí)上看，太湖水系水資源開發(fā)利用已呈飽和狀態(tài)，處于8級(jí)，即失衡狀態(tài)，具體受開發(fā)利用率、用水模數(shù)、污徑比、地下水利用指數(shù)以及人均缺水量等指標(biāo)的影響較大，說明太湖水系在水資源開發(fā)利用、水環(huán)境及生態(tài)、水資源供需方面存在諸多問題;洞庭湖及鄱陽(yáng)湖水系水資源開發(fā)利用綜合評(píng)價(jià)等級(jí)均為6級(jí)，處于基本平衡狀態(tài)，水資源開發(fā)利用已具有相當(dāng)規(guī)模，主要受用水模數(shù)、單方水GDP產(chǎn)值、耕地灌溉率以及缺水邊際損失等指標(biāo)的影響較大，表明洞庭湖及鄱陽(yáng)湖水系在用水效率等方面存在問題;長(zhǎng)江流域及其余各水系水資源開發(fā)利用綜合評(píng)價(jià)等級(jí)為4、5級(jí)，處于有潛力狀態(tài)，表明尚有開發(fā)利用潛力，其中水資源開發(fā)利用最具有潛力的是烏江水系。

4 結(jié)語(yǔ)

構(gòu)建了符合長(zhǎng)江流域水資源開發(fā)利用現(xiàn)狀的綜合評(píng)價(jià)指標(biāo)體系和分級(jí)標(biāo)準(zhǔn)，基于ELM算法原理，構(gòu)建ELM評(píng)價(jià)模型及傳統(tǒng)BP、RBF神經(jīng)網(wǎng)絡(luò)對(duì)比模型。采用隨機(jī)內(nèi)插的方法在各評(píng)價(jià)分級(jí)標(biāo)準(zhǔn)閾值間生成訓(xùn)練樣本和檢驗(yàn)樣本，選用決定系數(shù)R2、平均絕對(duì)誤差δMAE等統(tǒng)計(jì)學(xué)指標(biāo)對(duì)各評(píng)價(jià)模型的擬合精度和檢驗(yàn)精度進(jìn)行評(píng)價(jià)及比較。在達(dá)到預(yù)期的擬合精度和泛化能力后將ELM評(píng)價(jià)模型應(yīng)用于水資源開發(fā)利用綜合評(píng)價(jià)中，有效解決了此類綜合評(píng)價(jià)中難以獲取足量的訓(xùn)練樣本以及由于“欠擬合”與“過擬合”降低網(wǎng)絡(luò)泛化能力的問題，對(duì)長(zhǎng)江流域及主要水系水資源開發(fā)利用進(jìn)行了綜合評(píng)價(jià)，獲得較理想的評(píng)價(jià)效果，表明ELM評(píng)價(jià)模型可在具有評(píng)價(jià)、分級(jí)標(biāo)準(zhǔn)或不具有評(píng)價(jià)、分級(jí)標(biāo)準(zhǔn)的各種資源環(huán)境綜合評(píng)價(jià)中推廣應(yīng)用。

［1］金菊良，洪天求，王文圣.基于熵和FAHP的水資源可持續(xù)利用模糊綜合評(píng)價(jià)模型［J］.水力發(fā)電學(xué)報(bào)，2007，26(4):22-28.(JIN Juliang，HONG Tianqiu，WANG Wensheng.Entropy and FAHP based fuzzy comprehensive evaluation model of water resources sustaining utilization［J］.Journal of Hydroelectric Engineering，2007，26(4):22-28.(in Chinese))

［2］陳進(jìn)，黃薇.河流健康評(píng)價(jià)理論及在長(zhǎng)江的應(yīng)用［M］.武漢:長(zhǎng)江出版社，2010.

［3］尹志杰，管玉卉，胡曉雪.區(qū)域水資源可持續(xù)利用系統(tǒng)評(píng)價(jià)的集對(duì)分析模型［J］.水資源保護(hù)，2010，26(4):28-33.(YIN Zhijie，GUAN Yihui，HU Xiaoxue.Set pair analysis model for assessment of regional water resources sustainable utilization system ［J］.Water Resource Protection，2010，26(4):28-33.(in Chinese))

［4］許新宜，王紅瑞，劉海軍，等.中國(guó)水資源利用效率評(píng)估報(bào)告［M］.北京:北京師范大學(xué)出版社，2010.

［5］金菊良，王文圣，洪天求，等.流域水安全智能評(píng)價(jià)方法的理論基礎(chǔ)探討［J］.水利學(xué)報(bào)，2006，37(8):918-925.(JIN Juliang，WAN Wensheng，HONG Tainqiu，et al.Theoretical basis of intelligent evaluation methods of watershed watersecurity［J］.JournalofHydraulic Engineering，2006，37(8):918-925.(in Chinese))

［6］崔東文，郭榮.基于GRNN模型的區(qū)域水資源可持續(xù)利用評(píng)價(jià):以云南文山州為例［J］.人民長(zhǎng)江，2012，43(5):26-31.(CUI Dongwen，GUO Rong.Evaluation of sustainable utilization of regional water resources based on GRNN neural network model:case of Wenshan Prefecture of Yunnan Province［J］.Yangtze River，2012，43(5):26-31.(in Chinese))

［7］崔東文.基于BP神經(jīng)網(wǎng)絡(luò)的文山州水資源承載能力評(píng)價(jià)分析［J］.長(zhǎng)江科學(xué)院院報(bào)，2012，29(5):9-15.(CUI Dongwen.Evaluation and analysis of water resources carrying capacity in Wenshan Prefecture based on BP neural network［J］.Journal of Yangtze River Scientific Research Institute，2012，29(5):9-15.(in Chinese))

［8］崔東文.RBF與GRNN神經(jīng)網(wǎng)絡(luò)模型在河流健康評(píng)價(jià)中的應(yīng)用:以文山州區(qū)域中小河流健康評(píng)價(jià)為例［J］.中國(guó)農(nóng)村水利水電，2012(3):56-61.(CUI Dongwen.RBF and GRNN neural network model in the evaluation of river health［J］.China Rural Water and Hydropower，2012(3):56-61.(in Chinese))

［9］施彥，韓力群，廉小親.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析［M］.北京:北京郵電大學(xué)出版社，2009.

［10］HUANG G B，ZHU Q Y，SIEW C K.Extreme learning machine:theory and applications［J］.Neurocomputing，2006，70(1/2/3):489-501.

［11］FENG G，HUANG G B，LIN Q P，et al.Error minimized extreme learning machine with growth of hidden nodes and incremental learning［J］.IEEE Transactions on Neural Networks，2009，20(8):1352-1357.

［12］ZHU Q Y，QINAK，SUGANTHANPN，etal.Evolutionaryextreme learning machine［J］.Pattern Recognition，2005，38:1759-1763.

［13］HUANG G B，LEI C，SIEW C K.Unievrsal approximation using incremental constructive feedforward networks with random hidden nodes［J］.IEEE Transcations on Neural Network，2006，17(4):879-892.

［14］HUANG G B，ZHU Q Y，SIEW C K.Extreme learning machine:a new learning scheme of feedforward neural networks［C］//Proceedings of the International Joint Conference on Neural Networks.Budapest:［s.n.］，2004:985-990.

［15］HUANG G B，SIEW C K.Extreme learning machine with randomly assigned RBF kernels［J］.International Journal of Information Technology，2005，11(1):16-24.

［16］ HUANG G B，LIANG N Y，RONG H J，et al.On-line sequential extreme learning machine［C］//Proceedings of the IASTED International Conference on Computational Intelligence.Anaheim，CA，USA:Acta Press，2005:4-6.

［17］左東啟，戴樹生，袁汝華，等.水資源評(píng)價(jià)指標(biāo)體系研究［J］.水科學(xué)進(jìn)展，1996，7(4):367-373.(ZUO Dongqi，DAI Shusheng，YUAN Ruhua，et al.Study on the water resources assessment indexes system［J］.Advances in Water Science，1996，7(4):367-373.(in Chinese))

［18］高彥春，劉昌明.區(qū)域水資源開發(fā)利用的閾限分析［J］.水利學(xué)報(bào)，1997(8):73-79.(GAO Yanchun，LIU Changming.Limit analysis on the development and utilization of regional waterresources［J］.JournalofHydraulic Engineering，1997(8):73-79.(in Chinese))

［19］劉恒，耿雷華，陳曉燕.區(qū)域水資源可持續(xù)利用評(píng)價(jià)指標(biāo)體系的建立［J］.水科學(xué)進(jìn)展，2003，14(3):265-270.(LIU Heng，GENG Leihua，CHEN Xiaoyan.Indicators for evaluating sustainable utilization of regional water resources［J］.Advances in Water Science，2003，14(3):265-270.(in Chinese))

［20］來海亮，汪黨獻(xiàn)，吳滌非.水資源及其開發(fā)利用綜合評(píng)價(jià)指標(biāo)體系［J］.水科學(xué)進(jìn)展，2006，17(1):95-101.(LAI Hailiang， WANG Dangxun， WU Difai.Comprehensive assessment indicatorsystem forwater resources and its development and use［J］.Advances in Water Science，2006，17(1):95-101.(in Chinese))

［21］耿雷華，卞錦華，徐澎波，等.水資源合理配置評(píng)價(jià)指標(biāo)體系研究［M］.北京:中國(guó)環(huán)境科學(xué)出版社，2008.

［22］史峰，王輝，郁磊，等.MATLAB智能算法30個(gè)案例分析［M］.北京:北京航空航天大學(xué)出版社，2011.

Comprehensive evaluation of water resources development and utilization in Yangtze River Basin based on extreme learning machine

CUI Dongwen(Wenshan Water Authority of Yunnan Province，Wenshan 663000，China)

In order to accurately and objectively evaluate water resources development and utilization in the Yangtze River Basin，a comprehensive evaluation index system and classification standard of water resources were determined using the analytic hierarchy method.Based on the extreme learning machine(ELM)algorithm，a comprehensive evaluation model for water resources development and utilization was built to evaluate the water resources of the Yangtze River Basin using RBF and BP neural network models as comparing evaluation model.Training samples and testing samples were generated using the random interpolation method to train the ELM comprehensive evaluation model.The results show that the evaluation grade of water resources of the Yangtze River Basin is 4 to 8，which coincides with the water resources reality.Compared with RBF and BP neural network models，the ELM comprehensive evaluation model has better evaluation accuracy and generalization ability，and has the advantages of simplicity，high accuracy，and strong generalization ability.

water resources development and utilization;extreme learning machine;RBF neural network;BP neural network;the Yangtze River Basin

TV213.9

A

1006-7647(2013)02-0014-06

10.3880/j.issn.1006-7647.2013.02.004

崔東文(1978—)，男，云南玉溪人，高級(jí)工程師，主要從事水環(huán)境及水資源保護(hù)研究。E-mail:cdwgr@163.com

2012-06-06 編輯:熊水斌)