1、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（
2、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，
3、
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
4、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
5、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(i
6、j， 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
浙ICP备2021020529号-1 | 浙B2-20240490 
