灰色径向基神经网络技术在清诃水库中长期水文预报中的应用

2016-07-05刘秀华

湖南水利水电 2016年3期

关键词：年数清河关联度

刘秀华

（辽宁省清河水库管理局　铁岭市　112003）

灰色径向基神经网络技术在清诃水库中长期水文预报中的应用

刘秀华

（辽宁省清河水库管理局铁岭市112003）

【摘要】清河水库中长期水文预报采用的预报方法，因预报准确性较低，用以指导实际调度运用的价值不大，灰色径向基神经网络中长期水文预报模型在清河水库中长期预报中应用，有效地提高了清河水库中长期水文预报的精度。

【关键词】灰色系统关联度径向基函数神经网络

大型水库的合理调度必须有中长期水文预报为依据，因它在工农业生产、是否充分利用水资源以及发挥水利工程的效益方面，都起到很大的作用。清河水库中长期预报，主要采用传统的预报方法、数理统计法、历史演变法、周期叠加外推法、平稳时间序列外推法等，各方法预报值有时相差较大，经综合分析后确定一个预报范围，预报准确性均较低，无法满足防洪兴利调度要求。灰色径向基神经网络中长期水文预报模型在清河水库中长期预报中应用，预报精度有了明显的提高，取得了较好的效果。

1　灰色关联度的概念

1982年，中国学者邓聚龙教授创立的灰色系统理论，是一种研究少数据、贫信息不确定性问题的新方法。灰色系统理论以部分信息已知，部分信息未知的小样本信息。不确定性系统为研究对象，主要通过对已知信息的生成、开发，提取有价值的信息，实现对系统运行行为、演化规律的正确描述和有效监控。社会、经济、农业、工业、生态、生物等许多系统，是按照研究对象所属的领域和范围命名的，而灰色系统却是按颜色命名的。在控制论中，人们常用颜色的深浅形容信息的明确程度，我们用“黑”表示信息未知，用“白”表示信息完全明确，用“灰”表示部分信息明确、部分信息不明确。相应地，信息完全明确的系统称为白色系统，信息未知的系统称为黑色系统，部分信息明确、部分信息不明确的系统称为灰色系统。

关联度分析来源于华中理工大学邓聚龙教授创立的灰色系统理论，是分析灰色系统内部各因素之间发展变化的关联程度的一种方法。关联度分析与传统的相关分析有所不同。通过关联度分析，可以找出影响关键变量发展变化的主要因素，为管理决策提供依据。该方法在农业、国民经济分析中应用较多，在水文系统分析中应用尚不多见。探讨关联度分析在卫生系统中的应用并与相关分析进行比较，有助于对水文系统内部各因素之间的关系进行恰当分析。

2　灰色径向基神经网络模型

2.1人工神经网络概述

人工神经网络（简称ANN）的研究是人类探索模仿脑神经系统信息智能装置的一个重要领域。人工神经网络是由许多具有非线性映射能力的神经元组成，神经元之间通过权系数相连续，能从已知数据中自动的归纳规则，从而获得这些数据的内在规律，具有很强的非线性映射能力，尤其是基于误差反向传播算法的多层前馈网络（简称BP网络），可以以任意精度逼近任意连续函数。

2.2人工神经网络的分类

从不同的角度对生物神经网络系统不同层次的抽象和摸拟，构成了各种类型的神经网络。人工神经网络从网络的性能角度可分为连续型与离散型网络、确定性与随机性网络；从网络结构角度可分为前向网络和反馈网络；从学习方式的角度可分为有导师学习网络和无导师学习网络；按连接突触性质可分为一阶线形关联网络和高阶非线形关联网络。从功能特性和学习特性来看，典型的神经网络模型主要包括感知器、线性神经网络、BP网络、径向基函数网络、自组织映射网络和反馈神经网络等。

2.3径向基函数神经网络

径向基神经网络具有良好的函数逼近能力。RBF神经网络以径向基函数（RBF）做为隐单元的“基”，构成隐含层空间，隐含层对输入矢量进行变换将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分问题在高维空间内线性可分。RBF神经网络由三层构成，第一层为输入层，第二层为隐含层，第三层是输出层。

图1为径向基神经网络结构图，它主要由输入层、隐含层和输出层3层组成。对于RBF来说，输入层的作用是传递和输入信号，输出层主要对线性权进行调整，隐含层对激活函数进项调整。输入层和隐含层由于所起的作用不同，所以他们的学习策略也不同。同时，学习速度差异也较大，前者较快。

图1　径向基神经网络结构

3　灰色径向基神经网络技术在清河水库径流预报中的应用

3.1预报因子的选取

通过对清河水库1961～2010年的资料进行分析，将前一年10月份至本年9月份划分为一周期进行分析，以此定义为预报单位年。选取汛期前一年10月份到本年5～8个月的月来水量作为夏汛预报因子，对本年的夏汛（6～9月）来水量进行预报；选取春汛前一年10月份到本年2月份这5个月的月来水量作为春汛预报因子，对本年的春汛（3～4月）来水量进行预报。

3.2参考典型年份的确定

引入灰色系统中灰色关联度的概念。分别计算需要预报年份春汛之前5个月各月来水量与历年同期来水量之间的关联度和夏汛之前8个月各月来水量与历年同期来水量之间的关联度，关联度越大，即该年来水过程与所需预报年份来水过程相似度越高。再对关联度较高的年份进行分析，选取适当的年份作为典型年供预报参考。

3.3径向基神经网络中长期水文预报模型的构建

人工神经网络是通过模拟人脑的神经处理信息的方式，进行信息并行处理和非线性转换的复杂网络系统。神经网络具有很强大的学习能力，可以比较轻松地实现非线性映射过程，并且具有大规模的计算能力，所以神经网络在计算机和人工智能等领域有着广泛的应用。Mat1ab软件中提供了神经网络工具箱，含有丰富的神经网络函数。径向神经网络属于前向型神经网络，本模型将选取的典型年份的春汛之前5个月来水量设为P1，典型年份春汛来水量设为T1，构建径向基神经网络进行训练，设定误差值为0。输入预报年的预报因子，进行仿真，预报该年春汛来水量；将选取的典型年份的夏汛之前8个月来水量设为P2，典型年份夏汛来水量设为T2，构建径向基神经网络进行训练，设定误差值为0。输入预报年的预报因子，进行仿真，预报该年夏汛来水量供预报参考。

3.4预报结果对比分析

现以1970～2010年夏汛来水量预报为例，分别计算原方法预报值相对误差和新方法预报值相对误差，并进行对比分析，见图2和附表。

图2　197O～2O1O年总的相对误差对比图

附表　夏汛来水量预报新旧方法相对误差值对比

从附表可以看出，新方法相对误差小于1.000 为35年，占统计年数的85%；小于0.500的为25年，占统计年数的61%；小于0.400的为20年，占统计年数的49%；小于0.300的为12年，占统计年数的29%；小于0.200的为6年，占统计年数的15%。而原方法相对误差小于1.000为27年，占统计年数的66%；小于0.500的为17年，占统计年数的41%；小于0.400的为17年，占统计年数的41%；小于0.300的为11年，占统计年数的27%；小于0.200的为6年，占统计年数的15%。