1、基于 Elman 网络的黄河源区枯季径流预报研究第 3O 卷第 1 期2008 年 1 月人民黄河YELL0WRIVERVo1.30.No.1Jan.,2008【水文?泥沙 】基于 Elman 网络的黄河源区枯季径流预报研究杨新华,马建立,苏军希,王关平(1.兰州理工大学电气工程与信息工程学院,甘肃兰州 730050;2.黄河水利委员会上游水文水资源局,甘肃兰州 730030)摘要:采用反馈 Elman 网络对黄河唐乃亥及玛曲两站 19592003 年年降水量及径流量进行了分析,建立了基于反馈神经网络的黄河源区枯季径流预报模型.利用 matlab7 神经网络工具箱对黄河源区唐乃亥站枯季径流量进
2、行了预报.结果表明,所建立的 ANN(7,7,15,7)模型预报结果精度高,容错能力强,是枯季径流预报的有效手段.关键词:Elman 网络;ANN 模型;径流预报;枯季径流 ;黄河源区中图分类号:P333 文献标识码:A 文章编号:10001379(2008)01 0025-03黄河河源区来水量对黄河上游乃至整个流域的供水有重要影响,研究黄河源区枯季径流变化规律和来水趋势对黄河流域水资源的持续利用具有重要作用.由于影响径流变化的因素十分复杂,且诸多因素之间是一种多变量,强耦合,非线性的动态性关系,因此传统的预测方法预报精度普遍不高.神经网络具有自组织,自适应,自学习功能,在复杂对象的处理和辨识
3、中得到了广泛的应用 J.目前大多采用基于 BP 算法的静态前馈神经网络对动态系统进行辨识,实际上是将动态时间建模问题变为静态空间建模问题进行研究,同时还需要对模型结构进行定阶.此外,随着系统阶次的增加,网络结构迅速扩大,网络学习的收敛速度减慢.相比之下,动态回归神经网络(RNN)提供了一种极具潜力的选择,它能够更深刻,更具体地反映系统的动态特征,代表了神经网络建模的发展方向-3.Elman 神经网络是一种典型的动态神经网络 ,它是在BP 网络结构的基础上,通过存储内部状态使其具备适应时变特性的能力.考虑到径流量具有动态性的特点,笔者尝试使用Elman 神经网络对黄河源区枯季径流进行预测.1El
4、man 神经网络1.IElman 网络结构Elman 神经网络是 Elman 于 1990 年针对语音处理问题首先提出的,是一种典型局部递归网络.由于 Elman 神经网络在处理贯序数据的输入输出方面具有优越性,因此得到了广泛的应用.基本的 Elman 神经网络可分为输入层,隐含层,承接层和输出层(见图 1),在前馈型网络中增加了承接层作为延时算子,以达到记忆的目的.其特点是隐含层的输出通过承接层的延迟与存储,自联到隐含层的输入.这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到了动态建模的目的.1.2Elman 神经网络的学习过程以图 1
5、 为例,Elman 神经网络的非线性状态空间表达式为,(k)=W(k)+u(k 一 1)():(k 一 1)(1)(k)=g()式中:(k)为隐含层的输出 ;Y(k)为网络输出;12(k 一 1)为网络的外部输入;w,w2,分别为结构单元到隐含层,输入层到隐含层以及隐含层到输出层的连接权矩阵?)和 g(?)分别为输出单元和隐层单元的激发函数所组成的非线性向量函数.输入层取接层输出层图 1Elman 网络结构由式(1)可得(k)=(k 一 1)=W 一.(一 1)+w 一 u(k 一 2)(2)由于(k 一 1)=(k 一 2),因此上式可继续展开.这说明.(k)依赖于过去不同时刻的连接权 w.
6、,w,w 一,也即(k)是一个动态递推过程.相应地,用于 Elman 网络训练的反向传播算法称为动态反向传播学习算法.收稿日期:200703-23作者简介:杨新华(1966 一),男,甘肃临洮人,副教授,主要研究方向为电力电子及电力传动,智能仪器仪表.Email:?26?人民黄河 2008 盔:1.3 网络建模1.3.1 网络输入层,输出层单元节点数的确定由于降雨和径流之间是复杂的非线性关系,因此为反映输入变量和输出变量之间的关联关系,笔者用黄河上游实测年降水量资料及黄河径流量资料(9592003 年,共计 45 年)来建立预测模型.经比较及试验,枯期采用唐乃亥站 610 月流量,10 月降水
7、量及唐乃亥上游玛曲站 10 月流量共 7 个因子作为输人,输出层为同年 1112 月及次年 15 月 7 个因子.1.3.2 网络隐含层节点数的确定实践证明,如果隐含层单元数太少,则网络的容错性能差,而增加隐含层单元数虽可增强网络的分析能力和收敛性能,但会使网络训练复杂化,训练时间延长.一般来说,隐含层单元数与问题的要求,输入输出单元数的多少都有直接的关系,但目前对于如何选择隐含层单元的多少没有明确的结论,多是通过经验数值和经验公式比较来确定的.笔者经过多次试验,最后确定隐含层与承接层的单元数分别为 7,15.经过上面两步,最终选择7,7,15,7 网络结构来进行枯季径流的预报.1.3.3 数
8、据处理采用 matlab7 神经网络工具箱提供的 Trainbr 函数对网络进行训练.Trainbr 函数的优点在于提高网络的推广能力,而且不会出现过度训练的情况.当网络输入和目标矢量的取值为一 1,1时,Trainbr 函数可以达到最好的工作效果.在利用Trainbr 函数对网络进行训练之前,通常应预先对样本数据进行归一化处理.笔者将数据归一到区间0.1,0.9,其归一化公式为,yX=0.1+0.8()(3)A 一 Amin式中:为归一化后的数值;和分别为数据中变量的最小和最大值.预测出的数据需还原到与原始数据柑同的情况,公式为X=X+1.2(X 一 0.1)(X一)(4)1.3.4 训练样
9、本的选择为使训练后的网络具有较好的预测能力,必须有足够的样本,否则网络将无法归纳出样本集中的内在特征.但样本过多则会造成网络过度接近样本值,从而丧失归纳和推理能力.经过多次实验,最后选用 19591979 年和 19901999 年 31 年的数据作为训练样本,以 19801989 年和 20002002 年共 13 年的数据作为检验样本来检验模型的精度.2 预报结果与分析2.1 网络的训练根据黄委上游水文水资源局提供的径流和降雨资料,利用matlab7 中的 NeuralNetworkToolbox 工具箱编写程序 ,对所确定的网络结构进行训练.训练次数设定为 1000 次,样本训练误差确定
10、为 110.2.2 预报模型的检验模型检验结果见表 1.表 1Elman 网络训练结果时间当当时间(实 m 际 3输S出-1 当葺(m许3.误s差-I/)1980 一 l1485.846421.892.8198702140.615413.430.8198012227.820225.840.4198703194.61877.637.4198101169.915514.931.0198704342.325884.351.6198102166.215610.231.0198705516.653417.41o6.8198103222.619725.639.4198711357.131344.162.6
11、198104377.533245.566.4198712181.916615.933.2198105602.754656.7109.2198801136.81370.227.41981 一 l1722.768735.7137.4198802137.41435.628.6198112312.33120.362.4198803191.121624.943.2198201231.02332.046.619880433S.13391.167.8198202219.32277.745.4198805473.240172.280.2198203280.626317.652.61988 一 l1502.96
12、11108.1122.2198204450.538169.576.2198812233.925622.151.2198205781.4900l18.6180.0198901174.416410.432.81982 一 l1672.165319.1130.61989-02170.115713.131.4198212294.32859.357.0198903226.826841.253.4198301217.92116.942.2198904382.73757.775.0198302207.920l6.940.21989056l5.6880264.4176198303268.123929.147.
13、81989 一 l1700.563763.5127.4198304434.946429.192.8198912304.431712.663.4198305743.2886142.8177.2199001225.225327.850.61983 一 l1797.484345.6168.6199002214.324934.749.8198312338.93401.168.0199003275.128610.957.2l98401250.223416.246.8199004429.336267.372.4198402236.025115.050.2199005764.669767.6139.4198
14、403298.82935.858.62000 一 l1360.93582.971.6第 1 期杨新华等:基于 Elman 网络的黄河源区枯季径流预报研究 ?27?续表 1时间实m际输s 岜葺(允鸶时间当198404473.541261.5824200012183.317013.334.01984 一 O5837.7479358.795.82001 一 O1137.81334.826.6198411496.847818.895.62001 一 O2138.31423.728.4198412231.725826.351.62001 一 O3192.016428.O32.8198501172.818
15、29.236.4200104338.930533.961.O1985 一 O2168.71671.733.42001 一 O5508.546444.592.81985 一 O3225.32232.344.62001 一 l1351.636715.473.4198504380.934535.969.O20011218O.11821.936.41985 一 O561O.943018O.986.O200201135.412114.424.21985 一 l1530.845179.890.22002 一 O2136.1136O.127.2198512243.92451149.02002 一 O3189
16、.716821733.6198601181.5181O536.2200204336.1234lO2.146.81986 一 O2176.31792.735.82002 一 O55O1.4300201.460.O198603233.62294.645.82002 一 l1215.019718.O39.4198604391.335932371.82002 一 l2131.21247.224.81986 一 O5683.4849165.6169.82003011OO.187.113.017.41986 一 l1371.633239.666.42003 一 O2105.597.97,619.61986
17、12187.120315.940.6200303156.31461O.329.2198701140.51400.528.O200304294l21975.143.82003 一 O5398.536731.573.4根据国家水文情报预测规范,枯季预报相对误差的绝对2值20%为合格.因此本模型的预测精度见表 2.表 2 预测结果精度等级由表 1 及表 2 可以看出,19801989 年和 20002002 年共l3 年中,1112 月及来年 13 月合格率都为 100%,而 45 月精度一般,原因是:枯季径流绝大部分来自地下水,径流过程一般与前期流量的相关度较高,预测准确;45 月份积雪消融 ,流
18、量更接近汛期的流量,而汛期流量的影响因素非常复杂,仅仅以前一年的 610 月流量来预测,显然精度不够理想,需要用新的模型进行预测.3 结语黄河源区枯季流量受多种因素的影响,这些因素之间存在紧密的内部联系,且都处于不断的变化之中,因而使传统的静态建模方式受到了挑战.Elman 网络本质上适合处理动态系统问题,更有利于从海量数据中寻找目标的特点和规律.检验结果表明,E1man 网络的确比 BP 网络更具有优越性,结果更加可靠.参考文献:1袁曾任.人工神经元网络及其应用M.北京:清华大学出版社,1999.345MasumiI-Predictionoftimeseriesbyastructurelea
19、rningofneuralnetworkJ.Fuzzysetsandsystem,1996(82):167176.HuntKJ.SbarbaroD.NeuralnetworkfornonlinearinternalmodelcontrolJ.Proe.IEEPt.D.,1991,138(5):431438.MichelAN,刘德荣.递归人工神经网络的定性分析和综合M. 北京:科学出版社,2004.许东,吴铮.基于 MATLAB6.X 的系统分析与设计神经网络M. 西安:西安电子科技大学出版社,2002.【责任编辑翟戌亮】(上接第 24 页)都发生在窟野河流域,这绝不是偶然的,它与窟野河流域内黄土,风成沙和基岩这 3 种物源的特定搭配有关,符合该河流特性.尽管包括温家川等各站会有一定的测验误差,总体讲实测成果是可靠的.参考文献:234徐建华,牛玉国.水利水保工程对黄河中游多沙粗沙区径流泥沙影响研究M.郑州:黄河水利出版社,2000.薛耀文,林来照.温家川站实测最大含沙量可靠性分析J.水文,2ooo(3):4143.薛耀文.窟野河神木一温家川区间输沙模数合理性分析J.人民黄河,1996(10):5053.齐斌,马文进,薛耀文,等.黄河中游水文M.郑州:黄河水利出版社,2005.【责任编辑翟戌亮】
