第 41卷 第 2期
2 0 1 0 年 1 月
人 民 长 江
Y angtze R iver
V o.l 41, N o. 2
Jan. , 2010
收稿日期: 2009- 11- 30
基金项目: 国家自然科学基金资助项目 ( 40701024); 三峡大学研究生科研创 新基金资助项目 ( 200903)
作者简介: 邓 霞, 女, 硕士研究生, 主要从事水文水资源研究工作。 E - m a i:l douya. 1986@ yahoo. com. cn
文章编号: 1001- 4179( 2010) 02- 0056- 04
基于 BP网络的河道径流预报方法与应用
邓 霞, 董 晓 华, 薄 会 娟
(三峡大学 土木水电学院, 湖北 宜昌 443002)
摘要: 河道径流预报过程可以认为是一种复杂非线性函 数关系的 逼近过程。 BP 网络 具有表达 任意非 线性映
射的特性, 因此建立了基于 M ATLA B神经网络工具箱的 BP 网络的径流预报模型。其中采用自相 关函数确定
网络输入层的神经元 数, 通过 比较 样本 均方 误差 值 来确 定隐 含层 的神 经元 数。利 用 清江 渔峡 口 以上 流域
1989~ 1995年的径流 量资料对该模型进行了训练和检验, 从而完成了 该流域年 径流量的预 报, 并 且用多项精
度评定指标对其进行了精度 定量评价。结果 表明: 所建模 型对所 选流域 的径流 预报精度 达到了 乙等 以上水
平, 具有一定的实用性。
关 键 词: BP网络; 径流预报; 模型结构; 精度评价
中图法分类号: P 338 文献标志码: A
目前, 水文预报模型大体可以分为两类: 物理概念
型和数据驱动型
[ 1 ]
。传统的水文预报模型多为概念
型模型, 它们是基于基本的水文知识和规律建立起来
的。近年来, 基于物理概念的分布式模型的研究取得
了长足发展。但由于观测手段不够完善, 掌握的资料
信息不充分, 建立严格意义的分布式模型往往很困难。
而人 工 神 经 网 络 ( Artificia l N eura l N etworks, 简 称
ANN ) 则是一种数据驱动模型, 它们是由简单但密集
的神经元相互连接而成, 可以通过神经元间的连接权
重自动学习和储存信息。利用人工神经网络所具有的
对复杂的非线性关系进行识别与处理的能力, 将其应
用于洪水预报中是一种开创性的新途径。
金菊良等率先将人工神经网络应用于年径流预报
研究, 着重介绍了 ANN 基本原理和算法, 并结合实例
说明了应用方法, 为年径流预报提供了具有实用价值
的基本理论和实施技术
[ 2]
。袁飞等在此基础上, 运用
MATLAB的神经网络工具箱构建了 BP 神经网络, 大
大缩短了神经网络的建模时间, 使网络设计者摆脱了
繁琐的编程工作, 将研究重点转移到如何优化网络配
置、提高网络学习效率、推广能力和仿真效果上来
[ 3]
。
雷晓云、何强等对其进行了进一步的研究, 其成果更加
充分地证明了 MATLAB 的神经网络工具箱在径流预
报研究中的利用价值
[ 4, 5 ]
。
本文将在上述研究者基础之上详细地介绍 BP 神
经网络结构的确定方法, 为进一步提高径流预报精度
做出贡献。所研究的对象为位于湖北省境内的清江渔
峡口以上流域。
1 BP网络原理
BP( B ack- P ropagation)网络是神经网络中一种反
向传递并能修正误差的多层前向映射网络, 通常是由
输入层、若干隐含层和输出层组成的, 层与层之间的神
经元采用全互连的模式, 通过相应的网络权值相互联
系, 每层内的神经元没有连接。当参数适当时, 此网络
能收敛到较小的均方差
[ 6]
。
BP网络的学习, 就是利用样本资料并根据一定的
目标函数来优化网络的参数 ( 权值和阈值 ) 的过程。
目前, 网 络 学习算法通常 采 用的是 反传学 习 算法
( B ack- P ropagation A lgorithm, 简称 BP 算法 ), 它通过
误差函数最小化来完成输入到输出的映射, 训练可分
为两个过程: 输入的信息流从输入层, 经隐含层到
输出层逐层处理并计算出各神经元的实际输出值, 这