FIR神經(jīng)網(wǎng)絡(luò)及其在洪水預(yù)報上的應(yīng)用.pdf

1、由于人工神經(jīng)網(wǎng)絡(luò)(ANN)具有強的學(xué)習(xí)能力、實時性的潛能、良好的魯棒性、容錯性和非線性等,因此在當前國內(nèi)外眾多領(lǐng)域,A N N技術(shù)的應(yīng)用日益廣泛,在水文預(yù)報的應(yīng)用中也取得了豐碩的成果.本文首先闡述了ANN的發(fā)展和研究現(xiàn)狀及其應(yīng)用狀況,并且,特別介紹了BP和FIR神經(jīng)網(wǎng)絡(luò);然后,分析了國內(nèi)外在ANN的泛化能力、ANN在水文預(yù)報的應(yīng)用和洪水演進上所取得的成果及研究現(xiàn)狀.在這些基礎(chǔ)上,提出了本文的內(nèi)容,并取得了如下成果:1.針對ANN的泛化能

2、力、學(xué)習(xí)時間和收斂性對訓(xùn)練樣本的依賴,本文在大樣本時,提出用聚類分析的方法來挑選樣本,減少訓(xùn)練樣本的數(shù)量以提高質(zhì)量和收斂性,節(jié)省學(xué)習(xí)時間;對于像洪水這種特征的數(shù)據(jù),在建立動態(tài)ANN(如FIR神經(jīng)網(wǎng)絡(luò))模型時,用插值對樣本作數(shù)據(jù)平滑,以減小系統(tǒng)誤差,從而達到提高泛化能力的目的.并通過實例,驗證了這些策略是可行的,取得了較好的預(yù)期效果.2.針對在現(xiàn)有的水文預(yù)報中所采用的ANN,以BP網(wǎng)絡(luò)為主,都是靜態(tài)的網(wǎng)絡(luò),這與水文序列本身是一個動態(tài)系統(tǒng)相

3、矛盾.為了更好的防洪避害,需要精度高實時的洪水預(yù)報.引入動態(tài)FIR神經(jīng)網(wǎng)絡(luò)于洪水預(yù)報,并和BP神經(jīng)網(wǎng)絡(luò)預(yù)報的效果進行了比較.結(jié)果證明:FIR神經(jīng)網(wǎng)絡(luò)的精度比采用改進算法的BP網(wǎng)絡(luò)的要好,而且,模型參數(shù)少,收斂快.同時,在一定條件下,FIR網(wǎng)絡(luò)可完全等價于BP網(wǎng)絡(luò),因而它具有更廣泛的應(yīng)用范圍.3.針對目前對河道洪水演進的研究方法主要是水動力學(xué)方法和水文學(xué)方法,它們對河道水情和地形資料要求太高,實施難,實時性差.引入對這些資料要求不高,并能