小波神经网络组合时序模型在径流预报中应用-论文.pdf

《小波神经网络组合时序模型在径流预报中应用-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第33卷第3期南昌工程学院学报VoI．33No．32014年6月JournalofNanehangInstituteofTechnologyJune．2014文章编号：1674-0076(2014)03—0010—04小波神经网络组合时序模型在径流预报中应用兰盈盈(南昌工程学院水利与生态工程学院，江西南昌330099)摘要：构建小波与人工神经网络组合时序模型，该模型利用morlet小波基函数取代人工神经网络的激发函数。通过平移因子和伸缩因子确定小波基函数，采用误差逆向传播算法训练网络和预测．利用此模型对赣江河段上外洲水文站月径流变化趋势进行预测，并将其计算结果与BP神经

2、网络进行比较，结果表明利用小波神经网络进行时间序列预测效果较理想．关键词：小波分析；人工神经网络；时间序列；径流预测中图分类号：P333文献标识码：AApplicationofwaveletneuralnetworkcombinedtimingmodelinrunofpredictionLANYingying(SchoolofHydraulicandEcologicalEngineering，NanchangInstituteofTechnology，Nanchang330099，China)Abstract：Inthispaper，waveletanalysisand

3、artificialneuralnetworksarecombinedintoatimingmode1．Themodelusesmorletwaveletfunctiontoreplaceartificialneuralnetworkexcitationfunctionandback—warderrorpropagationalgorithmtotrainthenetworkandprediction．ItisusedtopredicttheannualrunofcharacteristicsofWaizhouhydrologicalstationinGanjiangR

4、iver．TheresultshowsthatcomparedwithBPartificialneuralnetworks，artificialneuralnetworksprovetobeamoreeffectiveway．Keywords：waveletanalysis；artificialneuralnetworks；timeseries；runofprediction水文时间序列预测是水文预报的重要组成部分u】，是适应自然、减免损失重要的非工程措施．时间序列预测是一个多学科交叉的研究领域，是一个具有实际价值的应用研究领域J．水文时间序列包含了丰富的水文系统信息，

5、它不仅是过去随时间的演变，而且可以用来预测未来的发展规律和趋势J．径流时间序列与人类活动关系非常密切，而且其变化规律十分复杂，表现出高度非线性和多时间尺度特性．用单一预测方法难以获得理想的预报效果，探求多种方法交叉的组合预测模型是提高预报精度、延长预见期的一个重要研究方向J．小波分析具有良好的时、频多分辨率功能，通过对信号的多尺度分析，有效识别主要频率成分和提取局部信息J．人工神经网络(ArtificialNeuralNetworks简称ANN)具有较强的非线性逼近功能和自学习、自适应特点J．为充分利用两者的优点，本文将小波分析与人工神经网络相结合，构成小波神经网络(W

6、aveletNeuralNetwork，简称WNN)组合时序模型，研究水文时间序列变化趋势，进行月径流时间序列模拟与预报．此研究对于水库兴利调节、水资源综合利用、以及梯级水库水利调度具有重要指导意义．人工神经网络基本原理人工神经网络理论是模仿生物大脑结构和功能建立起来的．神经元是生物神经系统的结构单元和功能单元，通过数以万计的神经元相互联系构成一个庞大而复杂的网络．神经从单方面或多方面的来源采集输入资料，并根据预先确定的非线性函数得到输出．人工神经网络是具有很强的处理非线性问题能力的数据处理收稿日期：2014—01一o2基金项目：江西省教育厅青年科学基金项目(GJJ11

7、254)．作者简介：兰盈盈(1979一)，女，博士生，讲师，lan·YY@163．com．第3期兰盈盈：小波神经网络组合时序模型在径流预报中应用系统，适合于解决因果关系复杂的非确定性推理等问题】，且具有自适应性能力、容错性等优良性能J．神经网络的模型较多，本文使用的是目前应用最广泛、算法较成熟的BP神经网络，采用误差逆传播(BackPropagation简称BP)神经网络模型，所谓误差逆传播是把输出层出现的误差归结为各连接权的“过错”J．通过把输出层单元的误差逐层向输人层“分摊”给各层单元，从而获得参考误差，并调整各边连接权，直到小于允许