劉秀華

（遼寧省清河水庫(kù)管理局　鐵嶺市　112003）

?

灰色徑向基神經(jīng)網(wǎng)絡(luò)技術(shù)在清訶水庫(kù)中長(zhǎng)期水文預(yù)報(bào)中的應(yīng)用

劉秀華

（遼寧省清河水庫(kù)管理局鐵嶺市112003）

【摘要】清河水庫(kù)中長(zhǎng)期水文預(yù)報(bào)采用的預(yù)報(bào)方法，因預(yù)報(bào)準(zhǔn)確性較低，用以指導(dǎo)實(shí)際調(diào)度運(yùn)用的價(jià)值不大，灰色徑向基神經(jīng)網(wǎng)絡(luò)中長(zhǎng)期水文預(yù)報(bào)模型在清河水庫(kù)中長(zhǎng)期預(yù)報(bào)中應(yīng)用，有效地提高了清河水庫(kù)中長(zhǎng)期水文預(yù)報(bào)的精度。

【關(guān)鍵詞】灰色系統(tǒng)關(guān)聯(lián)度徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

大型水庫(kù)的合理調(diào)度必須有中長(zhǎng)期水文預(yù)報(bào)為依據(jù)，因它在工農(nóng)業(yè)生產(chǎn)、是否充分利用水資源以及發(fā)揮水利工程的效益方面，都起到很大的作用。清河水庫(kù)中長(zhǎng)期預(yù)報(bào)，主要采用傳統(tǒng)的預(yù)報(bào)方法、數(shù)理統(tǒng)計(jì)法、歷史演變法、周期疊加外推法、平穩(wěn)時(shí)間序列外推法等，各方法預(yù)報(bào)值有時(shí)相差較大，經(jīng)綜合分析后確定一個(gè)預(yù)報(bào)范圍，預(yù)報(bào)準(zhǔn)確性均較低，無(wú)法滿足防洪興利調(diào)度要求?；疑珡较蚧窠?jīng)網(wǎng)絡(luò)中長(zhǎng)期水文預(yù)報(bào)模型在清河水庫(kù)中長(zhǎng)期預(yù)報(bào)中應(yīng)用，預(yù)報(bào)精度有了明顯的提高，取得了較好的效果。

1　灰色關(guān)聯(lián)度的概念

1982年，中國(guó)學(xué)者鄧聚龍教授創(chuàng)立的灰色系統(tǒng)理論，是一種研究少數(shù)據(jù)、貧信息不確定性問(wèn)題的新方法?；疑到y(tǒng)理論以部分信息已知，部分信息未知的小樣本信息。不確定性系統(tǒng)為研究對(duì)象，主要通過(guò)對(duì)已知信息的生成、開發(fā)，提取有價(jià)值的信息，實(shí)現(xiàn)對(duì)系統(tǒng)運(yùn)行行為、演化規(guī)律的正確描述和有效監(jiān)控。社會(huì)、經(jīng)濟(jì)、農(nóng)業(yè)、工業(yè)、生態(tài)、生物等許多系統(tǒng)，是按照研究對(duì)象所屬的領(lǐng)域和范圍命名的，而灰色系統(tǒng)卻是按顏色命名的。在控制論中，人們常用顏色的深淺形容信息的明確程度，我們用“黑”表示信息未知，用“白”表示信息完全明確，用“灰”表示部分信息明確、部分信息不明確。相應(yīng)地，信息完全明確的系統(tǒng)稱為白色系統(tǒng)，信息未知的系統(tǒng)稱為黑色系統(tǒng)，部分信息明確、部分信息不明確的系統(tǒng)稱為灰色系統(tǒng)。

關(guān)聯(lián)度分析來(lái)源于華中理工大學(xué)鄧聚龍教授創(chuàng)立的灰色系統(tǒng)理論，是分析灰色系統(tǒng)內(nèi)部各因素之間發(fā)展變化的關(guān)聯(lián)程度的一種方法。關(guān)聯(lián)度分析與傳統(tǒng)的相關(guān)分析有所不同。通過(guò)關(guān)聯(lián)度分析，可以找出影響關(guān)鍵變量發(fā)展變化的主要因素，為管理決策提供依據(jù)。該方法在農(nóng)業(yè)、國(guó)民經(jīng)濟(jì)分析中應(yīng)用較多，在水文系統(tǒng)分析中應(yīng)用尚不多見(jiàn)。探討關(guān)聯(lián)度分析在衛(wèi)生系統(tǒng)中的應(yīng)用并與相關(guān)分析進(jìn)行比較，有助于對(duì)水文系統(tǒng)內(nèi)部各因素之間的關(guān)系進(jìn)行恰當(dāng)分析。

2　灰色徑向基神經(jīng)網(wǎng)絡(luò)模型

2.1人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)（簡(jiǎn)稱ANN）的研究是人類探索模仿腦神經(jīng)系統(tǒng)信息智能裝置的一個(gè)重要領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)是由許多具有非線性映射能力的神經(jīng)元組成，神經(jīng)元之間通過(guò)權(quán)系數(shù)相連續(xù)，能從已知數(shù)據(jù)中自動(dòng)的歸納規(guī)則，從而獲得這些數(shù)據(jù)的內(nèi)在規(guī)律，具有很強(qiáng)的非線性映射能力，尤其是基于誤差反向傳播算法的多層前饋網(wǎng)絡(luò)（簡(jiǎn)稱BP網(wǎng)絡(luò)），可以以任意精度逼近任意連續(xù)函數(shù)。

2.2人工神經(jīng)網(wǎng)絡(luò)的分類

從不同的角度對(duì)生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)不同層次的抽象和摸擬，構(gòu)成了各種類型的神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)從網(wǎng)絡(luò)的性能角度可分為連續(xù)型與離散型網(wǎng)絡(luò)、確定性與隨機(jī)性網(wǎng)絡(luò)；從網(wǎng)絡(luò)結(jié)構(gòu)角度可分為前向網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)；從學(xué)習(xí)方式的角度可分為有導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)和無(wú)導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)；按連接突觸性質(zhì)可分為一階線形關(guān)聯(lián)網(wǎng)絡(luò)和高階非線形關(guān)聯(lián)網(wǎng)絡(luò)。從功能特性和學(xué)習(xí)特性來(lái)看，典型的神經(jīng)網(wǎng)絡(luò)模型主要包括感知器、線性神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、自組織映射網(wǎng)絡(luò)和反饋神經(jīng)網(wǎng)絡(luò)等。

2.3徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

徑向基神經(jīng)網(wǎng)絡(luò)具有良好的函數(shù)逼近能力。RBF神經(jīng)網(wǎng)絡(luò)以徑向基函數(shù)（RBF）做為隱單元的“基”，構(gòu)成隱含層空間，隱含層對(duì)輸入矢量進(jìn)行變換將低維的模式輸入數(shù)據(jù)變換到高維空間內(nèi)，使得在低維空間內(nèi)的線性不可分問(wèn)題在高維空間內(nèi)線性可分。RBF神經(jīng)網(wǎng)絡(luò)由三層構(gòu)成，第一層為輸入層，第二層為隱含層，第三層是輸出層。

圖1為徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，它主要由輸入層、隱含層和輸出層3層組成。對(duì)于RBF來(lái)說(shuō)，輸入層的作用是傳遞和輸入信號(hào)，輸出層主要對(duì)線性權(quán)進(jìn)行調(diào)整，隱含層對(duì)激活函數(shù)進(jìn)項(xiàng)調(diào)整。輸入層和隱含層由于所起的作用不同，所以他們的學(xué)習(xí)策略也不同。同時(shí)，學(xué)習(xí)速度差異也較大，前者較快。

圖1　徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3　灰色徑向基神經(jīng)網(wǎng)絡(luò)技術(shù)在清河水庫(kù)徑流預(yù)報(bào)中的應(yīng)用

3.1預(yù)報(bào)因子的選取

通過(guò)對(duì)清河水庫(kù)1961～2010年的資料進(jìn)行分析，將前一年10月份至本年9月份劃分為一周期進(jìn)行分析，以此定義為預(yù)報(bào)單位年。選取汛期前一年10月份到本年5～8個(gè)月的月來(lái)水量作為夏汛預(yù)報(bào)因子，對(duì)本年的夏汛（6～9月）來(lái)水量進(jìn)行預(yù)報(bào)；選取春汛前一年10月份到本年2月份這5個(gè)月的月來(lái)水量作為春汛預(yù)報(bào)因子，對(duì)本年的春汛（3～4月）來(lái)水量進(jìn)行預(yù)報(bào)。

3.2參考典型年份的確定

引入灰色系統(tǒng)中灰色關(guān)聯(lián)度的概念。分別計(jì)算需要預(yù)報(bào)年份春汛之前5個(gè)月各月來(lái)水量與歷年同期來(lái)水量之間的關(guān)聯(lián)度和夏汛之前8個(gè)月各月來(lái)水量與歷年同期來(lái)水量之間的關(guān)聯(lián)度，關(guān)聯(lián)度越大，即該年來(lái)水過(guò)程與所需預(yù)報(bào)年份來(lái)水過(guò)程相似度越高。再對(duì)關(guān)聯(lián)度較高的年份進(jìn)行分析，選取適當(dāng)?shù)哪攴葑鳛榈湫湍旯╊A(yù)報(bào)參考。

3.3徑向基神經(jīng)網(wǎng)絡(luò)中長(zhǎng)期水文預(yù)報(bào)模型的構(gòu)建

人工神經(jīng)網(wǎng)絡(luò)是通過(guò)模擬人腦的神經(jīng)處理信息的方式，進(jìn)行信息并行處理和非線性轉(zhuǎn)換的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)大的學(xué)習(xí)能力，可以比較輕松地實(shí)現(xiàn)非線性映射過(guò)程，并且具有大規(guī)模的計(jì)算能力，所以神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)和人工智能等領(lǐng)域有著廣泛的應(yīng)用。Mat1ab軟件中提供了神經(jīng)網(wǎng)絡(luò)工具箱，含有豐富的神經(jīng)網(wǎng)絡(luò)函數(shù)。徑向神經(jīng)網(wǎng)絡(luò)屬于前向型神經(jīng)網(wǎng)絡(luò)，本模型將選取的典型年份的春汛之前5個(gè)月來(lái)水量設(shè)為P1，典型年份春汛來(lái)水量設(shè)為T1，構(gòu)建徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，設(shè)定誤差值為0。輸入預(yù)報(bào)年的預(yù)報(bào)因子，進(jìn)行仿真，預(yù)報(bào)該年春汛來(lái)水量；將選取的典型年份的夏汛之前8個(gè)月來(lái)水量設(shè)為P2，典型年份夏汛來(lái)水量設(shè)為T2，構(gòu)建徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，設(shè)定誤差值為0。輸入預(yù)報(bào)年的預(yù)報(bào)因子，進(jìn)行仿真，預(yù)報(bào)該年夏汛來(lái)水量供預(yù)報(bào)參考。

3.4預(yù)報(bào)結(jié)果對(duì)比分析

現(xiàn)以1970～2010年夏汛來(lái)水量預(yù)報(bào)為例，分別計(jì)算原方法預(yù)報(bào)值相對(duì)誤差和新方法預(yù)報(bào)值相對(duì)誤差，并進(jìn)行對(duì)比分析，見(jiàn)圖2和附表。

圖2　197O～2O1O年總的相對(duì)誤差對(duì)比圖

附表　夏汛來(lái)水量預(yù)報(bào)新舊方法相對(duì)誤差值對(duì)比

從附表可以看出，新方法相對(duì)誤差小于1.000 為35年，占統(tǒng)計(jì)年數(shù)的85%；小于0.500的為25年，占統(tǒng)計(jì)年數(shù)的61%；小于0.400的為20年，占統(tǒng)計(jì)年數(shù)的49%；小于0.300的為12年，占統(tǒng)計(jì)年數(shù)的29%；小于0.200的為6年，占統(tǒng)計(jì)年數(shù)的15%。而原方法相對(duì)誤差小于1.000為27年，占統(tǒng)計(jì)年數(shù)的66%；小于0.500的為17年，占統(tǒng)計(jì)年數(shù)的41%；小于0.400的為17年，占統(tǒng)計(jì)年數(shù)的41%；小于0.300的為11年，占統(tǒng)計(jì)年數(shù)的27%；小于0.200的為6年，占統(tǒng)計(jì)年數(shù)的15%。

4　結(jié)　論

從原方法與新方法相對(duì)誤差總體統(tǒng)計(jì)分析可以得出，灰色徑向基神經(jīng)網(wǎng)絡(luò)中長(zhǎng)期水文預(yù)報(bào)模型在較大程度上提高了清河水庫(kù)夏汛來(lái)水量的預(yù)報(bào)精度，取得了良好的效果。

作者簡(jiǎn)介：劉秀華（1968-），女，遼寧昌圖人，大學(xué)本科，高級(jí)工程師，主要從事水庫(kù)調(diào)度工作。

收稿日期：（2016-02-26）