岳城水库洪水预报人工神经网络模型实现.doc

岳城水库洪水预报人工神经网络模型实现

摘要：应用 visual basic 6.0 编程技术，实现了人工神经网络 bp 算

法的程序化，并建立了岳城水库洪水过程预报的反向传播神经网络模

型，经检验，洪水预测精度较好，结果令人满意，为岳城水库的入库

洪水预报及调度工作提供新的思路和依据。

关键词：人工神经网络 BP 算法 VB 程序洪水预报

1．前言

人工神经网络（ANN）又称连接机制模型（Connection Model）或并行

分布处理模型（Parallal Distributed Model） 。作为人工智能的研究

方法，目前已广泛应用于自然科学的各个领域，应用计算机程序来模

拟这种特殊的数学模型并应用于实际流域的洪水预报研究中，无疑是

一种新的尝试和有益探索。岳城水库是海河流域南运河水系漳河上的

一座大型控制性工程，入库洪水突发性强，水猛多沙，为确保下游河

北、河南、山东、天津广大平原地区和京广铁路的安全，对水库入库

洪水进行精确预报，及时采取预泄和分洪措施显得极其重要，因此，

1

用人工神经网络模型模拟预报水库的入库洪水过程，有重要参考和借

鉴意义。

2．BP 网络的构建

人工神经网络是一个高度复杂的非线性动力学系统，它有大量的简单

处理单元（神经元）广泛连接而成，他对人脑的功能作了某种简化、

抽象和模拟，具有很强的非线性映射能力，其中对多层前向神经网络

bp 模型的研究相对成熟，应用最为广泛，其模型结果如图：

结构中，输入层、隐层和输出层神经元的个数根据具体情况设定，其

中隐层层数不一，不失一般性对输出层中只含有一个神经元的三层前

向神经网络分析如下：假设输入层中有个神经元，隐层中有个神经元，

输出层神经元的输出，即整个网络的输出为 Y，网络中输入层的输入

分别为,,¼，则隐层神经元的输入分别是：

(i=1,2,¼m) (2.1)

在上式中，为隐层神经元 i 与输入层神经元 j 的连接权，为隐层神经

元的阈值， 选择函数作为隐层神经元的激发函数,则隐层神经元的输出

为：

(i=1,2,¼m) (2.2)

输出神经元的激发函数取为线性函数，输出层神经元的输出及整个网

络的输出为：

(2.3)

其中，Vi 为输出层神经元与隐层神经元 i 的连接权。定义由、 组成 、

的 向 量 为 网 络 的 连 接 权 向 量 (ij ， i ， i) 。 设 有 学 习 样 本

2

(， ，¼；)( =1,2¼,p;p 为样本数)。对某样本(， ，¼；)在给出网络

向量后，可以通过公式(1.1)～(1.3)计算出网络的输出值，对于样本

定义网络的输出误差为： (2.4)

定义误差函数为： (2.5)

(ij， i，i)随机给出，计算式(2.5)定义的误差值较大，网络计算精

度不高，在确定网络结构后，通过调整(ij， i，i)的值，以逐步降低

误差，以提高网络的计算精度，下面给出根据误差信息调整(ij， i，

i)的具体计算过程。

在反向传播算法中，是沿着误差函数随(ij， i，i)变化的负梯度方

向对进行休整。设的修正值为： (2.6)

式中：为第 n 次迭代计算时连接权的修正值；为前一次迭代计算时计

算所得的连接权修正值；为学习率，取 0~1 间的数；为动量因子，一

般取接近 1 的数。将式(1.4)和(1.5)代入式(1.6)中，有 (2.7)

定义=（,,） ，则：

(2.8)

(2.9)

(2.10)

采用迭代式对修正计算，得到新的连接权向量。对于所有的学习样本

均按照样本排列顺序进行上述计算过程，然后固定的值，对于 p 个样

本分别进行正向计算，从而求出学习样本的能量函数值：

(2.11)

这样结束了一个轮次的迭代过程，当满足某一精度要求时，就停止迭

3