BP网络及遗传算法在河道流量预报中的应用_论文

维普资讯 http://www.cqvip.com 圆经验交流   B P网络及 遗传算法在河道流量预报 中的应 用  陈 惠影  ( 华南 理 工大学 计算 机学 院 )   摘要 :基于遗传算法的全局搜索和 B P网络局部精确搜索的特性,采用遗传算法对BP网络模型进行优化,     并将此模 型应 用于 北江流域 的坪石一犁市河道 的预报流量中 。实验结果表 明,该算法在提高 B P网络的收敛速度    和预测精度上是行之有 效的,为流量预报提供 了一种新 的方法 。   关键 词 :流量预报;遗传算法;B P网络;网络初始权重  因子 ,分别是上游坪石 的流 量、降雨量 , 赤溪 、墩子 、   1概 述  人 工神经 网络 是 由大量非 常简 单 的处理单 元按  某种方式广泛互连而形成 的复杂的计算 网络 , 是对 生  物和人类脑神经系统 的模拟 。由于人工神经 网络本 身  具有 强大 的非线性特 点和容 错 能力, 它不仅 能很好 的  乐昌、大桥、杨溪 、桂头 、犁市各雨 量站 的降雨量 。   输 出层 的节点就是犁市站 的流量 。网络 的隐含层 节点  数较难 确定 , 而且该层神经元个数 很大程 度上影响着  网络 的预测性能 ,这里采用 尝试 比较 法,分别计 算隐  含层节点数为 1、1、2 5 9 3的网络输 出误 差 ,比较结  果表 明,隐含层节 点数选取 1 差最小 。尝试 比较  9误 法选取隐含层节 点数 的方法如下 :   % Ip t n u、Ou u、C ekn h cOu 分别是训  t t hc l、C ek t p 处理以传统数学模型为基础的线性问题, 在解决一些  非线性预报 的问题 上也有较好的效果 。 在水文预报方  面,虽然已经有很多的实验表明B P网络具有较高的   预报精 度f 1 刊,但其收敛 速度较慢 ,而且 容易 陷入局  部极小值 。出现 这种 隋况主要是 因为 网络 的初始权值  和域值是 随机给 定的,这就导致每次训练 网络 的时候  练 、测试样本 的归一化后 的输入和输 出  N [51 3; O= 1 92 ]   f r =l3 o i :   其权重都不同, 因此每次训练网络的次数也会有所不  同,也就 出现 了网络 寻优 的不唯一性 。对 B P网络 进  行优化势在 必行 。   遗 传算 法是基 于 自然选 择和 遗传机 制 的搜索 算  法 ,具有全局搜 索的能力 ,因此可通过遗传算法对 网   络 的初始权 重进 行优 化,大范 围权重 的取值 ,然后 根  据 这个 范围 内的权 重用 B P网络模型进行训练 找到最  优解 ,这样便 可加快网络 的收敛速度 ,同时避 免陷入  局 部最小值 。   %新建网络  ntnwf m n xIp t 【0(, t s 'a e e f ima ( u)N i 1 a i,   = ( n , )  n g ' t ni’’a g x ; s }t i d ’ g, n ) r   %网络训练代数  n t an a a e o h =1 0 0  et i P r m.p c s 0 0 ; r %网络训练 目标  n ttan a a .oa= 0   e . i p rm g l 0.01 r %网络对训练数据 的逼近  ntt i(e, p t tu ; e r nn t u, p t  =a n I Ou ) 2河道流量预报 B P网络模型的建立  在 河道 流量预报 中 B 网络模 型可 以有 多种 形  P 式 ,这里选 用 比较有代表性 的多输入单输 出的模型 。   其 中输入 层 的节 点数取 决于 影 响河道流 量 的 因子 个  %仿真刚建立 的网络  T mp s n t h kn; e =i e, e I) m( C c   yi)T mp1) (: e (,; ,= :  e   nd 数 ,因子 取的正确与否直接影 响到预报 结果的精度 。   本模型 中影 响的因子很多 , 我们选取 9个主 要的影响  3  2 %求预测误差  犁市 站流 量预报 B P网络模 型结构图如图 1 。   维普资讯 http://www.cqvip.com 坪 石 流 量  坪 石 雨 量  根据 以上 算法 所建 立 的模 型应 用于 Jt. 游 芰 lT 卜 :   流武水坪石—犁 市河道 的流 量的计算 。   坪石—犁 市河道站 点流程 框图如 图 2所示 。   赤溪雨量  墩 子 雨 量  乐 昌雨 量  大 桥 雨 量  杨 溪 雨 量  桂 头 雨 量  犁 市 雨 量  输 入 层  隐 含 层 1 节 点  9个 图 2 坪 石一 犁 市站 点流 程 图  图 1犁市站流量预报 B P网络模型结构 图   由于历史资料有 限,现 用 19 97年雨水较多月份  该 网络模 型采 用 Sg i imod型函数 , 参数 的率 定除  了上述 的隐含层 的单元数外 , 还包括每层 的权值和 阈  值。   的数据 资 料来 训练 网络及 利用 训练 好 的网络进 行流  量预报 。 中 5月至 7月的部分数据作为 网络 的训练  其 样本 ,采用 91— —91结构 的模型 ,网络 训练函数采用  T A N M,网络 的误 差函数 采用 S E R IL S ,网络学 习函  3遗传算法优化神经网络  3 1 本思 想  .基 数采用 L A NG M ,网络 的初始权重 随机产生 。 ER D   按上述 设置 的 B 网络来 训练 ,当 目标误差为 00 1 P .   0 时, 需要训练 27 1步网络才能收敛于指定 的误差范  84 围,网络 的收敛速度较慢 。   为 了加快 网络 的收敛速 度 , 现采用遗传算法先对  网络的初始权重进行优化 ,再用 B P算法训练

相关文档

遗传算法优化BP神经网络的-网络流量预测
基于遗传算法的BP神经网络在建模预测中的应用
遗传算法和BP神经网络在铜板带轧制力预测中的应用
遗传算法优化BP神经网络在大坝扬压力预测中的应用
基于遗传算法的BP神经网络在汇率预测中的应用研究
遗传算法-BP神经网络在混凝土碳化深度预测中的应用
基于模拟退火遗传算法优化的BP网络在质量预测中的应用
基于遗传算法的BP神经网络在油田措施规划预测中的应用
遗传算法的BP网络模型进行瓦斯涌出量预测
电脑版