FIR神經網絡及其在洪水預報上的應用.pdf

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

2、力、學習時間和收斂性對訓練樣本的依賴,本文在大樣本時,提出用聚類分析的方法來挑選樣本,減少訓練樣本的數量以提高質量和收斂性,節(jié)省學習時間;對于像洪水這種特征的數據,在建立動態(tài)ANN(如FIR神經網絡)模型時,用插值對樣本作數據平滑,以減小系統誤差,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,取得了較好的預期效果.2.針對在現有的水文預報中所采用的ANN,以BP網絡為主,都是靜態(tài)的網絡,這與水文序列本身是一個動態(tài)系統相

3、矛盾.為了更好的防洪避害,需要精度高實時的洪水預報.引入動態(tài)FIR神經網絡于洪水預報,并和BP神經網絡預報的效果進行了比較.結果證明:FIR神經網絡的精度比采用改進算法的BP網絡的要好,而且,模型參數少,收斂快.同時,在一定條件下,FIR網絡可完全等價于BP網絡,因而它具有更廣泛的應用范圍.3.針對目前對河道洪水演進的研究方法主要是水動力學方法和水文學方法,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