郭 皓, 邢貞相,2,3, 付 強(qiáng),2,3, 李 晶

(1.東北農(nóng)業(yè)大學(xué) 水利與建筑學(xué)院, 哈爾濱 150030; 2.黑龍江省糧食產(chǎn)能提升協(xié)同創(chuàng)新中心,哈爾濱 150030; 3.黑龍江省高校節(jié)水農(nóng)業(yè)重點(diǎn)實(shí)驗(yàn)室, 哈爾濱 150030)

基于密度參數(shù)K-均值算法的RBF網(wǎng)絡(luò)及其在降水量預(yù)測(cè)中的應(yīng)用

郭 皓1, 邢貞相1,2,3, 付 強(qiáng)1,2,3, 李 晶1

(1.東北農(nóng)業(yè)大學(xué) 水利與建筑學(xué)院, 哈爾濱 150030; 2.黑龍江省糧食產(chǎn)能提升協(xié)同創(chuàng)新中心,哈爾濱 150030; 3.黑龍江省高校節(jié)水農(nóng)業(yè)重點(diǎn)實(shí)驗(yàn)室, 哈爾濱 150030)

徑向基函數(shù)(Radial Basis Funtion，簡(jiǎn)稱RBF)神經(jīng)網(wǎng)絡(luò)是一種收斂速度快、逼近能力強(qiáng)的前饋型神經(jīng)網(wǎng)絡(luò)。為提高網(wǎng)絡(luò)的訓(xùn)練速度，采用基于密度參數(shù)的K-均值算法，消除傳統(tǒng)K-均值算法對(duì)初始聚類中心的敏感性，構(gòu)建了基于K-均值算法的RBF降水預(yù)報(bào)模型，并應(yīng)用于撓力河流域的友誼農(nóng)場(chǎng)汛期月降水量預(yù)報(bào)中，以檢驗(yàn)所建模型的有效性。結(jié)果表明，與標(biāo)準(zhǔn)的K-均值算法RBF網(wǎng)絡(luò)模型和BP(Back Propagation)網(wǎng)絡(luò)模型相比，所構(gòu)建的RBF降水預(yù)報(bào)模型對(duì)2008年，2009年，2010年各年間汛期(6—9月)降水量的預(yù)測(cè)平均相對(duì)誤差為9.270 7%；確定性系數(shù)為0.96。預(yù)報(bào)精度均有所提高，且滿足水文預(yù)報(bào)要求。

水文學(xué)； 降水量預(yù)測(cè)； 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)； 密度參數(shù)； K-均值

降水是自然界水循環(huán)的一個(gè)重要環(huán)節(jié)，因受多類因子的影響，降水量的變化存在復(fù)雜且多變的不確定性。高精度的降水量預(yù)測(cè)方法能提前預(yù)測(cè)降水量的變化并為徑流預(yù)報(bào)提供雨情數(shù)據(jù)狀態(tài)和后果，對(duì)防洪抗旱、指導(dǎo)生產(chǎn)都有重要意義[1]。降水量的預(yù)測(cè)方法眾多，如回歸分析[2]、灰色預(yù)測(cè)[3]、數(shù)值模擬[4]、模糊預(yù)測(cè)[5]、人工神經(jīng)網(wǎng)絡(luò)[6-7]等等。人工神經(jīng)網(wǎng)絡(luò)因具有較強(qiáng)的處理非線性問(wèn)題的能力，無(wú)需求解具體的問(wèn)題解析函數(shù)，有較好的泛化能力等優(yōu)點(diǎn)，在降水量的預(yù)測(cè)研究方法中獨(dú)樹一幟。目前，BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)是應(yīng)用最多的兩種網(wǎng)絡(luò)模型。吳有訓(xùn)[8]等人采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和閾值的混合算法，建立安徽宣城市汛期降水短期氣候預(yù)測(cè)模型，預(yù)報(bào)誤差較小。盧文喜[9]等人采用RBF神經(jīng)網(wǎng)絡(luò)建立樺甸市降水預(yù)測(cè)模型，結(jié)果表明，模型的后驗(yàn)差比值、平均絕對(duì)誤差及有效系數(shù)的精度均滿足要求。與BP網(wǎng)絡(luò)相比，RBF網(wǎng)絡(luò)的隱層單元數(shù)可在訓(xùn)練階段自適應(yīng)調(diào)整；此外，RBF網(wǎng)絡(luò)輸入層與隱層之間無(wú)須通過(guò)權(quán)值連接，而是采用直聯(lián)的方式。由此看來(lái)，RBF具有BP無(wú)法替代的優(yōu)越性，可大大提高網(wǎng)絡(luò)收斂速度，對(duì)非線性函數(shù)具有更好的一致逼近性[10]。故本文對(duì)RBF網(wǎng)絡(luò)進(jìn)行一定的探討和研究，嘗試用于三江平原撓力河流域降水量的預(yù)測(cè)。

1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Network)是一種局部逼近的前饋式神經(jīng)網(wǎng)絡(luò)[11]，拓?fù)浣Y(jié)構(gòu)如圖1所示。它模擬了人腦的局部調(diào)整、相互覆蓋接受域的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并且能夠以任意精度逼近任意連續(xù)函數(shù)。

圖1 徑向基網(wǎng)絡(luò)結(jié)構(gòu)圖

RBF網(wǎng)絡(luò)的基本思想是[12]：用RBF作為隱單元的“基”構(gòu)成隱含層空間，這樣可將輸入矢量直接(即不需要通過(guò)權(quán)連接)映射到隱空間。當(dāng)RBF的中心點(diǎn)確定以后，映射關(guān)系便確定了。而隱含層空間到輸出空間的映射是線性的，即網(wǎng)絡(luò)的輸出是隱單元輸出的線性加權(quán)和。

RBF網(wǎng)絡(luò)中常用的徑向基函數(shù)是高斯函數(shù)，因此RBF網(wǎng)絡(luò)的激活函數(shù)可表示為

(1)

(2)

式中：wij——隱含層到輸出層的連接權(quán)值；i=1,2,…,h(h為隱含層的結(jié)點(diǎn)數(shù))；yj——與輸入樣本對(duì)應(yīng)的網(wǎng)絡(luò)的第j個(gè)輸出節(jié)點(diǎn)的實(shí)際輸出；其他符號(hào)意義同前。

2 基于密度參數(shù)的K-means算法

RBF網(wǎng)絡(luò)學(xué)習(xí)算法需要求解的參數(shù)有三個(gè)：隱層基函數(shù)的中心、方差及隱層到輸出層的權(quán)重。其中，基函數(shù)中心的選取是該網(wǎng)絡(luò)能否成功實(shí)現(xiàn)的關(guān)鍵所在，其選取方法有多種，如隨機(jī)選取中心法、自組織選取中心法、聚類分析法及正交最小二乘法。而RBF網(wǎng)絡(luò)較為有效的學(xué)習(xí)算法是K-均值(K-means)聚類法。K-means算法基本思想[13]：它是一種基于距離的聚類算法，采用距離作為相似性的評(píng)價(jià)指標(biāo)，首先在樣本數(shù)據(jù)中隨機(jī)選取k 個(gè)對(duì)象作為初始的聚類中心，而后的每個(gè)點(diǎn)都被分配到與其最近的聚類中心，而到同一個(gè)聚類中心的點(diǎn)集被指定為一個(gè)分組，即形成k個(gè)分組；重復(fù)分配和更新步驟，直到分組不發(fā)生任何變化，即聚類中心不發(fā)生變化時(shí)為止，此時(shí)具有共同特性的樣本數(shù)據(jù)便形成了特定的組群。該算法原理易于理解、計(jì)算步驟簡(jiǎn)捷、易于計(jì)算機(jī)程序的實(shí)現(xiàn)，但從中也不難看出K-means算法對(duì)初始聚類中心很敏感，聚類結(jié)果隨不同的初始輸入而波動(dòng)，這勢(shì)必影響最終各樣本組群的特征?；诿芏葏?shù)的K-means算法可以降低傳統(tǒng)算法初始聚類中心對(duì)聚類結(jié)果波動(dòng)性的影響，因此，本文采用基于密度參數(shù)K-means算法的RBF網(wǎng)絡(luò)嘗試對(duì)降水量進(jìn)行預(yù)測(cè)研究。

2.1 密度參數(shù)的概念

樣本數(shù)據(jù)集合：S={x1， x2，…，xn}，k個(gè)初始的聚類中心：z1，z2，…，zk。

定義1，兩個(gè)數(shù)據(jù)對(duì)象間的歐氏距離

d(xi,xj) =(∣xi1-xj1∣2+∣xi2-xj2∣2

+…+∣xip-xjp∣2)1/2

(3)

式中：xi={ xi1，xi2，…，xip}和xj={ xj1，xj2，…，xjp}——兩個(gè)p維的數(shù)據(jù)對(duì)象。

定義2，樣本點(diǎn)之間的平均距離

(4)

定義3，密度參數(shù)[14]空間中任一點(diǎn)p和距離MeanDist，以p點(diǎn)為中心，半徑為MeanDist的區(qū)域稱為點(diǎn)的鄰域，區(qū)域內(nèi)的點(diǎn)的個(gè)數(shù)稱為點(diǎn)p基于距離MeanDist的密度參數(shù)，記作density(p，MeanDist)。

2.2 基于密度參數(shù)的K-means算法

在用歐氏距離作為相似性度量的K-means算法中，相互距離最遠(yuǎn)的k個(gè)數(shù)據(jù)對(duì)象比隨機(jī)取的k個(gè)數(shù)據(jù)對(duì)象更具有代表性。但實(shí)際的數(shù)據(jù)集往往有噪聲數(shù)據(jù)存在，如果只是單純地取相互距離最遠(yuǎn)的k個(gè)點(diǎn)來(lái)代表k個(gè)不同的類別，有時(shí)會(huì)取到噪聲點(diǎn)，從而影響聚類效果。一般在一個(gè)數(shù)據(jù)空間中，高密度的數(shù)據(jù)對(duì)象區(qū)域被低密度的對(duì)象區(qū)域所分割，通常認(rèn)為處于低密度區(qū)域的點(diǎn)為噪聲點(diǎn)。為了避免取到噪聲點(diǎn)，取k個(gè)處于高密度區(qū)域的點(diǎn)作為初始聚類中心，具體步驟[14]：

(1) 按照式(3)計(jì)算數(shù)據(jù)對(duì)象兩兩之間的距離d(xi，xj)

(2) 按照式(4)計(jì)算數(shù)據(jù)對(duì)象之間的平均距離MeanDist。

(3) 計(jì)算全部數(shù)據(jù)對(duì)象的密度參數(shù)density(p，MeanDist)，組成一個(gè)集合D。

(4) 從數(shù)據(jù)對(duì)象的密度參數(shù)集合中找到最大者zk，zk=max{density(pi,MeanDist)

|i∈(1,2,…,n),density(pi,MeanDist)∈D}。如果d(pi，zk)

(5) 重復(fù)步驟(3)，(4)，直至找到k個(gè)聚類中心為止。

根據(jù)上述方法得到的k個(gè)聚類中心即為RBF網(wǎng)絡(luò)最終的基函數(shù)的中心。

3 基于RBF網(wǎng)絡(luò)的降水量預(yù)測(cè)模型構(gòu)建

3.1 RBF網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定

3.1.1 輸入神經(jīng)元數(shù)目的選擇 輸入神經(jīng)元的選擇對(duì)建立RBF網(wǎng)絡(luò)的有效性至關(guān)重要，不合理的選擇會(huì)影響網(wǎng)絡(luò)的質(zhì)量，甚至導(dǎo)致建模失敗。因此，本文采用自相關(guān)分析技術(shù)確定RBF網(wǎng)絡(luò)的輸入神經(jīng)元節(jié)點(diǎn)數(shù)。

3.1.2 隱含層神經(jīng)元數(shù)目的選擇 隱含層神經(jīng)元用以存儲(chǔ)輸入層到隱含層的連接權(quán)值和閾值，能夠體現(xiàn)訓(xùn)練樣本與期望輸出間的內(nèi)在規(guī)律。目前還沒有準(zhǔn)確、科學(xué)的確定方法，多是通過(guò)經(jīng)驗(yàn)公式和數(shù)值試驗(yàn)比較確定，本文也采用此方法確定，且經(jīng)驗(yàn)公式[15]：

(5)

n2=log2n1

(6)

式中：n2——隱含層神經(jīng)元個(gè)數(shù)；n1——輸出層神經(jīng)元個(gè)數(shù)；m——輸入神經(jīng)元個(gè)數(shù)，a——[0，1]之間的常數(shù)。

3.2 降水量預(yù)測(cè)模型的構(gòu)建

網(wǎng)絡(luò)模型的創(chuàng)建采用Matlab的RBF工具箱來(lái)實(shí)現(xiàn)，具體的程序語(yǔ)言為：net=newrb(P,T,goal,spread,mn,df)，其中，P和T分別為樣本的輸入向量和輸出向量；goal為均方誤差，本文取goal=0.001，目的是防止過(guò)度擬合；spread為徑向基函數(shù)的寬度，本文通過(guò)隱層神經(jīng)元各個(gè)中心之間的距離來(lái)確定，其計(jì)算公式

spread=b×di

(7)

式中：b——重疊系數(shù)，一般取大于1的整數(shù)[16]；di——隱含層基函數(shù)中心間的最小距離，基函數(shù)中心由基于密度參數(shù)的K-means算法求得。

4 實(shí)例研究

4.1 試驗(yàn)數(shù)據(jù)

現(xiàn)以三江平原友誼農(nóng)場(chǎng)1956—2007年各年汛期(6—9月)降水量資料為例，建立基于密度參數(shù)K-means算法的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。選取1956—2005年各年汛期降水?dāng)?shù)據(jù)用于網(wǎng)絡(luò)訓(xùn)練，2006年和2007年汛期降水?dāng)?shù)據(jù)用于網(wǎng)絡(luò)檢驗(yàn)，并對(duì)2008，2009，2010年汛期各月降水量進(jìn)行預(yù)測(cè)。

4.2 數(shù)據(jù)預(yù)處理

由于RBF網(wǎng)絡(luò)對(duì)輸入、輸出數(shù)據(jù)的要求在[0，1]之間，故在訓(xùn)練之前先將降水?dāng)?shù)據(jù)按以下公式進(jìn)行歸一化處理，即

(8)

式中：Xi，Yi——?dú)w一化處理前、后的降水量；Xmin，Xmax——所有降水量的最小值和最大值。經(jīng)過(guò)以上處理后的數(shù)據(jù)將作為RBF神經(jīng)網(wǎng)絡(luò)模型的樣本。

4.3 RBF網(wǎng)絡(luò)結(jié)構(gòu)的確定及訓(xùn)練

根據(jù)降水量的特性，設(shè)計(jì)RBF神經(jīng)網(wǎng)絡(luò)，主要是確定輸入層與隱含層的節(jié)點(diǎn)數(shù)。對(duì)于友誼農(nóng)場(chǎng)汛期降水量序列進(jìn)行相關(guān)分析(圖2，圖3分別給出降水量序列的自相關(guān)函數(shù)圖和偏相關(guān)函數(shù)圖)，據(jù)自相關(guān)圖的拖尾性和偏相關(guān)圖的截尾性，可判別降水量序列適用于AR模型，并通過(guò)AIC準(zhǔn)則[17]分析得到馬爾科夫過(guò)程的階數(shù)應(yīng)為4(表1中給出AIC準(zhǔn)則的計(jì)算結(jié)果)，即RBF神經(jīng)網(wǎng)絡(luò)中輸入層的節(jié)點(diǎn)個(gè)數(shù)為4。隱含層神經(jīng)元用以存儲(chǔ)輸入層到隱含層的連接權(quán)值，體現(xiàn)訓(xùn)練樣本與期望樣本間的內(nèi)在規(guī)律。根據(jù)經(jīng)驗(yàn)公式和試算，隱含層節(jié)點(diǎn)數(shù)選定6個(gè)，至此，本文網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為4∶6∶1。

圖2 降水量序列自相關(guān)函數(shù)

圖3 降水量序列偏相關(guān)函數(shù)

階數(shù)AIC值41622.481688.9121632.5

利用已構(gòu)建的神經(jīng)網(wǎng)絡(luò)對(duì)1956—2005年的汛期降水量數(shù)據(jù)訓(xùn)練188次達(dá)到收斂，網(wǎng)絡(luò)擬合誤差達(dá)到0.001，其網(wǎng)絡(luò)誤差變化圖及網(wǎng)絡(luò)訓(xùn)練擬合圖(如圖4，圖5)，通過(guò)擬合曲線看出，訓(xùn)練階段計(jì)算降水量變化趨勢(shì)與實(shí)測(cè)降水量趨勢(shì)擬合度較高。為驗(yàn)證所構(gòu)建RBF網(wǎng)絡(luò)模型的泛化能力，對(duì)2006年和2007年汛期各月降水量進(jìn)行檢驗(yàn)計(jì)算，驗(yàn)證期計(jì)算結(jié)果如表2所示，平均預(yù)報(bào)相對(duì)誤差為9.666 2%，確定性系數(shù)為0.98。經(jīng)以上驗(yàn)證，可利用已構(gòu)建的RBF網(wǎng)絡(luò)進(jìn)行撓力河流域降水量預(yù)測(cè)，表3給出了模型對(duì)2008，2009及2010年汛期各月降水量的計(jì)算結(jié)果(為便于對(duì)比，表中還列出了標(biāo)準(zhǔn)K-Means算法RBF網(wǎng)絡(luò)與BP網(wǎng)絡(luò)的計(jì)算結(jié)果)。

圖4 RBF神經(jīng)網(wǎng)絡(luò)擬合誤差變化

4.4 計(jì)算結(jié)果與分析

表3中計(jì)算結(jié)果表明，應(yīng)用已建立的RBF網(wǎng)絡(luò)模型對(duì)2008，2009及2010年汛期各月降水量預(yù)測(cè)的平均相對(duì)誤差為9.270 7%，確定性系數(shù)為0.96；而標(biāo)準(zhǔn)K-means算法預(yù)測(cè)的平均相對(duì)誤差為12.894 0%，確定性系數(shù)為0.92；BP網(wǎng)絡(luò)模型的平均相對(duì)誤差為11.242 0%，確定性系數(shù)為0.94。與此同時(shí)，已建立的RBF網(wǎng)絡(luò)模型訓(xùn)練擬合時(shí)間及收斂次數(shù)也有所提高，分別為85 s及188次；而標(biāo)準(zhǔn)K-means算法的訓(xùn)練擬合時(shí)間及收斂次數(shù)分別為100 s及266次；BP網(wǎng)絡(luò)模型的訓(xùn)練擬合時(shí)間及收斂次數(shù)分別為121 s及420次。由此可見，與標(biāo)準(zhǔn)K-means算法的RBF模型和BP模型相比，本文所構(gòu)建的RBF網(wǎng)絡(luò)計(jì)算速度分別提高15%，30%；預(yù)報(bào)平均相對(duì)誤差分別降低28%，19%；確定性系數(shù)均相當(dāng)。

5 結(jié) 論

K-means算法是RBF神經(jīng)網(wǎng)絡(luò)常用的學(xué)習(xí)算法，但是傳統(tǒng)的K-means由于隨機(jī)選取初始聚類中心不同而造成聚類結(jié)果的波動(dòng)，從而導(dǎo)致網(wǎng)絡(luò)產(chǎn)生不同的收斂能力。本文應(yīng)用基于密度參數(shù)尋找初始聚類中心的思想，嘗試消除隨機(jī)選取聚類中心的不穩(wěn)定性和敏感性，并利用基于密度參數(shù)的K-means算法求得RBF網(wǎng)絡(luò)基函數(shù)的寬度，構(gòu)建了友誼農(nóng)場(chǎng)基于密度參數(shù)K-Means的RBF降水量預(yù)測(cè)模型。通過(guò)實(shí)例研究，得出以下結(jié)論：

表3 改進(jìn)RBF網(wǎng)絡(luò)與標(biāo)準(zhǔn)K-means RBF網(wǎng)絡(luò)及BP網(wǎng)絡(luò)降水量預(yù)測(cè)結(jié)果對(duì)比

注：表中改進(jìn)的RBF網(wǎng)絡(luò)為本文構(gòu)建的RBF網(wǎng)絡(luò)。

(1) 從網(wǎng)絡(luò)收斂速度來(lái)看，基于密度參數(shù)K-means算法的RBF網(wǎng)絡(luò)模型與傳統(tǒng)K-means算法的RBF網(wǎng)絡(luò)相比，對(duì)聚類數(shù)、基函數(shù)中心的確定等方面有著一定的優(yōu)越性，收斂速度、預(yù)報(bào)精度均有明顯的提升。

(2) 對(duì)于撓力河流域友誼農(nóng)場(chǎng)汛期月降水量的預(yù)測(cè)而言，改進(jìn)的RBF網(wǎng)絡(luò)模型與BP網(wǎng)絡(luò)模型相比，在精度上有較大的提高，2008，2009，2010年汛期月降水量的平均相對(duì)誤差分別降低19%，29%及6%，確定性系數(shù)分別提高3%，4%及2%，為在不確定因素較強(qiáng)的降水量預(yù)測(cè)提供了一種新方法；

(3) 應(yīng)用本文所述的RBF網(wǎng)絡(luò)模型對(duì)月降水量進(jìn)行預(yù)測(cè)時(shí)，網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)采用經(jīng)驗(yàn)公式和網(wǎng)絡(luò)試算，在日后的研究中，可采用智能優(yōu)化算法優(yōu)化RBF網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)，以進(jìn)一步提高模型的計(jì)算精度。

[1] 常青,趙曉莉.時(shí)間序列模型在降水量預(yù)測(cè)中的應(yīng)用研究[J].計(jì)算機(jī)仿真,2011,28(7):204-206.

[2] 唐亞松,張?chǎng)?蔡煥杰,等.一種基于回歸分析與時(shí)序分析的降水預(yù)報(bào)模型[J].水土保持通報(bào),2009,29(1).88-92.

[3] 李才媛,顧永剛.灰色預(yù)測(cè)模型在長(zhǎng)江上游流域面雨量預(yù)報(bào)中的應(yīng)用[J].氣象科技,2004,31(4):223-225.

[4] 錢莉,楊曉玲,殷玉春,等.最優(yōu)子集回歸在武威市降水預(yù)報(bào)中的應(yīng)用[J].干旱區(qū)研究,2009,26(6):895-900.

[5] 孫才志,林學(xué)鈺.降水預(yù)測(cè)的模糊權(quán)馬爾可夫模型及應(yīng)用[J].系統(tǒng)工程學(xué)報(bào),2003,18(4):294-299.

[6] 封毅,武博強(qiáng),崔靈周.基于BP神經(jīng)網(wǎng)絡(luò)的臺(tái)風(fēng)降雨量預(yù)測(cè)研究[J].水土保持研究,2012,19(3):289-293.

[7] 葛彩蓮,蔡煥杰,王健,等.基于BP神經(jīng)網(wǎng)絡(luò)的降雨量預(yù)測(cè)研究[J].節(jié)水灌溉,2010(11):7-10.

[8] 吳有訓(xùn),王周青,汪文烈,等.遺傳算法優(yōu)化BP網(wǎng)絡(luò)的汛期降水預(yù)測(cè)模型[J].安徽農(nóng)業(yè)大學(xué)學(xué)報(bào),2013,40(2):299-303.

[9] 盧文喜,楊磊磊,楊忠平,等.逐步回歸時(shí)間序列和RBF-ANN在降水預(yù)測(cè)中的應(yīng)用[J].重慶大學(xué)學(xué)報(bào):自然科學(xué)版,2012,35(11):131-135.

[10] 陳玉紅.RBF網(wǎng)絡(luò)在時(shí)間序列預(yù)測(cè)中的應(yīng)用研究[D].哈爾濱：哈爾濱工程大學(xué),2009.

[11] 伊燕平,盧文喜,張?jiān)?等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的地下水?dāng)?shù)值模擬模型的替代模型研究[J].水土保持研究,2012,19(4):265-269.

[12] 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社,2009.

[13] 靳玉萍,黨婕.基于徑向基神經(jīng)網(wǎng)絡(luò)改進(jìn)算法優(yōu)化鍋爐燃燒效率[J].計(jì)算機(jī)應(yīng)用,2013,33(06):1771-1779.

[14] 張建輝.K-means聚類算法研究及應(yīng)用[D].武漢:武漢理工大學(xué),2007.

[15] 胡可云,田鳳占,黃厚寬.數(shù)據(jù)挖掘理論與應(yīng)用[M].北京：清華大學(xué)出版社,2008.

[16] 蘇美娟.徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法研究[D].蘇州:蘇州大學(xué),2007.

[17] 王文圣,丁晶,金菊良.隨機(jī)水文學(xué)[M].北京：中國(guó)水利水電出版社,2008.

RBFNeuralNetworkofK-MeansAlgorithmBasedonDensityParameterandtheApplicationtotheRainfallForecasting

GUO Hao1, XING Zhen-xiang2,3, FU Qiang1,2,3, LI Jing1

(1.CollegeofWaterConservancy&CivilEngineering,NortheastAgriculturalUniversity,Harbin150030,China; 2.CollaborativeInnovationCenterofGrainProductionCapacityImprovementinHeilongjiangProvince,Harbin150030,China; 3.KeyLabofWater-SavingAgricultureofHeilongjiangUniversity,Harbin150030,China)

The radial basis function (RBF) neural network is a feed-forward artificial neural network with high convergence speed and strong approximation capability. In order to improve the training rate of the RBF, a K-means algorithm based on density parameter was introduced to determine clustering center, which could reduce the sensitivity of traditional K-means algorithm for initial clustering centers. A rainfall forecasting model of RBF based on K-means algorithm was built, which was applied to forecasting monthly rainfall over the Youyi Farm in Naolihe catchment during the flood season, aiming to test the effectiveness of this model. The case study showed that the mean relative error of rainfall forecasting in flood season (from June to September) of the year 2008, 2009 and 2010 was 9.270 7%, and the deterministic coefficient was 0.96. It demonstrated a higher forecasting accuracy compared to a RBF model based on a standard K-means algorithm and BP (Back Propagation) model, and the rainfall forecasting results met the requirements of hydrologic prediction.

hydrology; rainfall forecasting; radial basis function neural network; density parameter; K-means

2014-04-15

：2014-05-08

國(guó)家自然科學(xué)資助項(xiàng)目(51109036;51179032);教育部高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金(20112325120009);水利部公益性行業(yè)科研專項(xiàng)經(jīng)費(fèi)項(xiàng)目(201301096);黑龍江省級(jí)領(lǐng)軍人才梯隊(duì)后備事頭人資助項(xiàng)目(500001);黑龍江省博士后啟動(dòng)金(LBH-Q12147)

郭皓(1990—),女,黑龍江省雙城人,碩士研究生,研究方向?yàn)樗念A(yù)報(bào)方法研究。E-mail:ghneau@sina.cn

付強(qiáng)(1973—),男,遼寧省錦州人,博導(dǎo)，教授,博士,研究方向?yàn)樗Y源分析與評(píng)價(jià)。E-mail:fuqiang0629@126.com

P338

：A

：1005-3409(2014)06-0299-05