灰色徑向基神經網絡技術在清訶水庫中長期水文預報中的應用

劉秀華

（遼寧省清河水庫管理局　鐵嶺市　112003）

?

灰色徑向基神經網絡技術在清訶水庫中長期水文預報中的應用

劉秀華

（遼寧省清河水庫管理局鐵嶺市112003）

【摘要】清河水庫中長期水文預報采用的預報方法，因預報準確性較低，用以指導實際調度運用的價值不大，灰色徑向基神經網絡中長期水文預報模型在清河水庫中長期預報中應用，有效地提高了清河水庫中長期水文預報的精度。

【關鍵詞】灰色系統關聯度徑向基函數神經網絡

大型水庫的合理調度必須有中長期水文預報為依據，因它在工農業生產、是否充分利用水資源以及發揮水利工程的效益方面，都起到很大的作用。清河水庫中長期預報，主要采用傳統的預報方法、數理統計法、歷史演變法、周期疊加外推法、平穩時間序列外推法等，各方法預報值有時相差較大，經綜合分析后確定一個預報范圍，預報準確性均較低，無法滿足防洪興利調度要求?；疑珡较蚧窠浘W絡中長期水文預報模型在清河水庫中長期預報中應用，預報精度有了明顯的提高，取得了較好的效果。

1　灰色關聯度的概念

1982年，中國學者鄧聚龍教授創立的灰色系統理論，是一種研究少數據、貧信息不確定性問題的新方法?；疑到y理論以部分信息已知，部分信息未知的小樣本信息。不確定性系統為研究對象，主要通過對已知信息的生成、開發，提取有價值的信息，實現對系統運行行為、演化規律的正確描述和有效監控。社會、經濟、農業、工業、生態、生物等許多系統，是按照研究對象所屬的領域和范圍命名的，而灰色系統卻是按顏色命名的。在控制論中，人們常用顏色的深淺形容信息的明確程度，我們用“黑”表示信息未知，用“白”表示信息完全明確，用“灰”表示部分信息明確、部分信息不明確。相應地，信息完全明確的系統稱為白色系統，信息未知的系統稱為黑色系統，部分信息明確、部分信息不明確的系統稱為灰色系統。

關聯度分析來源于華中理工大學鄧聚龍教授創立的灰色系統理論，是分析灰色系統內部各因素之間發展變化的關聯程度的一種方法。關聯度分析與傳統的相關分析有所不同。通過關聯度分析，可以找出影響關鍵變量發展變化的主要因素，為管理決策提供依據。該方法在農業、國民經濟分析中應用較多，在水文系統分析中應用尚不多見。探討關聯度分析在衛生系統中的應用并與相關分析進行比較，有助于對水文系統內部各因素之間的關系進行恰當分析。

2　灰色徑向基神經網絡模型

2.1人工神經網絡概述

人工神經網絡（簡稱ANN）的研究是人類探索模仿腦神經系統信息智能裝置的一個重要領域。人工神經網絡是由許多具有非線性映射能力的神經元組成，神經元之間通過權系數相連續，能從已知數據中自動的歸納規則，從而獲得這些數據的內在規律，具有很強的非線性映射能力，尤其是基于誤差反向傳播算法的多層前饋網絡（簡稱BP網絡），可以以任意精度逼近任意連續函數。

2.2人工神經網絡的分類

從不同的角度對生物神經網絡系統不同層次的抽象和摸擬，構成了各種類型的神經網絡。人工神經網絡從網絡的性能角度可分為連續型與離散型網絡、確定性與隨機性網絡；從網絡結構角度可分為前向網絡和反饋網絡；從學習方式的角度可分為有導師學習網絡和無導師學習網絡；按連接突觸性質可分為一階線形關聯網絡和高階非線形關聯網絡。從功能特性和學習特性來看，典型的神經網絡模型主要包括感知器、線性神經網絡、BP網絡、徑向基函數網絡、自組織映射網絡和反饋神經網絡等。

2.3徑向基函數神經網絡

徑向基神經網絡具有良好的函數逼近能力。RBF神經網絡以徑向基函數（RBF）做為隱單元的“基”，構成隱含層空間，隱含層對輸入矢量進行變換將低維的模式輸入數據變換到高維空間內，使得在低維空間內的線性不可分問題在高維空間內線性可分。RBF神經網絡由三層構成，第一層為輸入層，第二層為隱含層，第三層是輸出層。

圖1為徑向基神經網絡結構圖，它主要由輸入層、隱含層和輸出層3層組成。對于RBF來說，輸入層的作用是傳遞和輸入信號，輸出層主要對線性權進行調整，隱含層對激活函數進項調整。輸入層和隱含層由于所起的作用不同，所以他們的學習策略也不同。同時，學習速度差異也較大，前者較快。

圖1　徑向基神經網絡結構

3　灰色徑向基神經網絡技術在清河水庫徑流預報中的應用

3.1預報因子的選取

通過對清河水庫1961～2010年的資料進行分析，將前一年10月份至本年9月份劃分為一周期進行分析，以此定義為預報單位年。選取汛期前一年10月份到本年5～8個月的月來水量作為夏汛預報因子，對本年的夏汛（6～9月）來水量進行預報；選取春汛前一年10月份到本年2月份這5個月的月來水量作為春汛預報因子，對本年的春汛（3～4月）來水量進行預報。

3.2參考典型年份的確定

引入灰色系統中灰色關聯度的概念。分別計算需要預報年份春汛之前5個月各月來水量與歷年同期來水量之間的關聯度和夏汛之前8個月各月來水量與歷年同期來水量之間的關聯度，關聯度越大，即該年來水過程與所需預報年份來水過程相似度越高。再對關聯度較高的年份進行分析，選取適當的年份作為典型年供預報參考。

3.3徑向基神經網絡中長期水文預報模型的構建

人工神經網絡是通過模擬人腦的神經處理信息的方式，進行信息并行處理和非線性轉換的復雜網絡系統。神經網絡具有很強大的學習能力，可以比較輕松地實現非線性映射過程，并且具有大規模的計算能力，所以神經網絡在計算機和人工智能等領域有著廣泛的應用。Mat1ab軟件中提供了神經網絡工具箱，含有豐富的神經網絡函數。徑向神經網絡屬于前向型神經網絡，本模型將選取的典型年份的春汛之前5個月來水量設為P1，典型年份春汛來水量設為T1，構建徑向基神經網絡進行訓練，設定誤差值為0。輸入預報年的預報因子，進行仿真，預報該年春汛來水量；將選取的典型年份的夏汛之前8個月來水量設為P2，典型年份夏汛來水量設為T2，構建徑向基神經網絡進行訓練，設定誤差值為0。輸入預報年的預報因子，進行仿真，預報該年夏汛來水量供預報參考。

3.4預報結果對比分析

現以1970～2010年夏汛來水量預報為例，分別計算原方法預報值相對誤差和新方法預報值相對誤差，并進行對比分析，見圖2和附表。

圖2　197O～2O1O年總的相對誤差對比圖

附表　夏汛來水量預報新舊方法相對誤差值對比

從附表可以看出，新方法相對誤差小于1.000 為35年，占統計年數的85%；小于0.500的為25年，占統計年數的61%；小于0.400的為20年，占統計年數的49%；小于0.300的為12年，占統計年數的29%；小于0.200的為6年，占統計年數的15%。而原方法相對誤差小于1.000為27年，占統計年數的66%；小于0.500的為17年，占統計年數的41%；小于0.400的為17年，占統計年數的41%；小于0.300的為11年，占統計年數的27%；小于0.200的為6年，占統計年數的15%。

4　結　論

從原方法與新方法相對誤差總體統計分析可以得出，灰色徑向基神經網絡中長期水文預報模型在較大程度上提高了清河水庫夏汛來水量的預報精度，取得了良好的效果。

作者簡介：劉秀華（1968-），女，遼寧昌圖人，大學本科，高級工程師，主要從事水庫調度工作。

收稿日期：（2016-02-26）