61 08
0 683
备注
拟合: 降水量、大陈闸水 位、开采量均为实测值
10
时间 年- 月
2000- 06 2000- 07 2000- 08 2000- 09 2000- 10 2000- 11 2000- 12 2001- 01 2001- 02 2001- 03 2001- 04 2001- 05 2001- 06 2001- 07 2001- 08 2001- 09 2001- 10 2001- 11 2001- 12
须对影响地下水水位的各种因素作一分析说
明, 例如对地下水的补给来源、排泄方式要清
楚。选取主要的影响因素并对其数据归一化
处理, 即可作为神经网络的输入分量, 地下水
水位作为神经网络的输出量, 然后开始实验。
实验采用 C 语言编制的 BP 网络程序, 选用 某水源地的地下水水位变化资料进行。地下
水水位主要与以下几个因素有关: 降水量、生
2001 年第 4 期
勘察科学技术
7
基于 BP 神经网络的地下水水位预测*
赵延涛 姜宝良
( 河南省工程水文地质勘察院 郑州市 450052)
提要 基于 BP 网络模型, 对地下水水位变化规律进行了定量预测。网络模型由三层构 成: 输 入 层、隐含层、输出层。节点单元以及各层间的连接强度决定了 BP 网络的执行 情况。实验结果 表 明, BP 神经网络是一种较为有效的 预测方法。 关键词 BP 神经网络 地下水水位 预测
分别用训练后的 BP 网络模型和逐步回 归模型预测了 2000 年 12 月至 2001 年 12 月
生产井平均静水位。 从表 1 可以看出, 两种方法的预测值与
实测值比较接近, 有较好的一致性。实例表 明, BP 神经网络直接利用大量已知的数据, 通过学习这些数据内在的联系, 建立输入与 输出之间的关系, 从而对新的输入进行预测 和判断, 建模精度较高。BP 网络预测的优点 是: 在预报过程中, 不需要进行事后人为的定 性分析与判断。
61 51
62 03
60 66
61 64
59 02
61 93
60 60
64 55
64 75
67 00
66 95
65 05
65 07
67 31
67 61
66 04
66 22
65 90
66 09
备注
预测: 降水量、大陈闸水 位、开采量均为实测值
预 测: 根 据区 域降 水量 变 化规律, 2001 年 应为 平 水年, 所以 降水 量和 大陈闸水位选用平水年 的 实测 值, 开 采量 选用 2000 年 作 为 现 状 开 采 量进行预测
BP 网络由输入层、隐含层、输出层组成 ( 见图 1) , 输入 层和输出层的单元数是由具 体问题的 输入层参数和 输出层参数 来确定 的, 而隐含层的单元数则由具体问题的复杂 程度、误差下降情况等来确定。
图 1 BP 网络模型
BP 网络间连接权( W1 、W2 ) 在网络的学 习中不断得到修正, 使输入层与隐含层之间、 隐含层与输出层之间的两组权所构成的网络 能实现学习样本中输入矢量与输出矢量间特 定的映射关系, 权的分布体现了各输入分量 在输入矢量中所占特征强度的分布。
PREDICTION OF GROUNDWATER LEVEL VARIATION BASED ON THE BP NEURAL NETWORK
Zhao Yantao Jiang Baoliang ( Engineering Geology & Hydrogeology Investigat ion & Surveying Institut e, Henan Province)
1 引言
地下水水位因受降水、开采、蒸发等多种 因素制约, 在时序上常表现出复杂的非线性 特征, 一般用非线性模型来描述。非线性模 型的参数识别问题至今仍是研究的热点和难 点, 现有的方法大致可分为如下两类: 一是采 用线性变换, 再用线性回归方法估计模型的 参数, 然后经逆变换求出原模型的参数, 显然 它不能保证所估计参数对原模型而言是最佳 的; 二是采用常规的非线性优化方法, 如求导 法、复合形法等确定性非线性优化方法, 它们 属于单路径搜索, 在实用中往往存在局部优 化问题, 比如随机性优化方法, 计算量大且属 盲目寻优, 其有效性也是低的[ 5] 。
0 299
67 88
ห้องสมุดไป่ตู้
0 318
68 39
0 426
67 14
0 561
67 37
0 222
67 07
0 266
67 32
0 104
65 91
1 128
66 10
0 840
66 19
0 236
66 41
0 090
65 91
0 044
66 01
0 106
66 48
0 791
66 63
1 016
62 28
4 结束语
本文对 BP 网络预报模型及其训练进行 了初步研究, 模型及其算法有待于在实践中 通过各种不同的问题和算例进一步得到检验 和完善。实际应用表明, BP 网络模型具有较 高的精度, 而且适用条件也比较宽, 线性、非 线性的问题都可以处理, 这为今后的城市地 下水水位的定量预报提供了一种新的方法。
时间 年- 月
1999- 11 1999- 12 2000- 01 2000- 02 2000- 03 2000- 04 2000- 05
表 1 BP 网络模型与逐步 回归模型拟合、预测对比
水位 实测值
m
BP 网络模型
预测结果 m
相对误差 %
回归方程
预测结果 m
相对误差 %
63 80
63 34
0 721
Abstract Groundwater level variation has been quant it atively predict ed based on the BP neural network model. The network model consists of three layers: the input layer, t he hidden layer, and the output layer. The nodes and the connect ivity strength between the layers determine the performance of the BP neural network. The experimental result shows t hat the BP neural network is an effective method for groundwater level prediction. Keywords BP neural network; groundwater level; prediction
BP 网络 的算 法步 骤可归 纳如 下: 初始 化, 选定 结构合理的 网络, 置所有可 调参数 ( 权和阈值) 为均匀分布的较小数值; 对每个 输入样本作前向计算、反向计算和权值修正; 输入新的样本, 直到误差达到预定要求, 训练 时各周期样本的输入顺序要重新随机排序。
3 实验与分析
3 1 实验数据的选取 用 BP 网络进 行地下水 水位预测 前, 必
况来确定。选用 1999 年 11 月至 2000 年 11 月
2001 年第 4 期
勘察科学技术
9
图 2 生产井平均静水位 、降水量、生产井开采量、大陈闸水位动态曲线
逐月观测数值共 13 个样本, 对网络模型进行 训练。训练结果表明, 当中间隐含层单元个 数为三时, 网络模 型可获得 较理想的 结果。 这样就形成了由三个输入单元对应于上月降 水量、生产井当月开采量、大陈闸当月水位, 三个中间隐含层单元, 一个输出单元对应于 生产井平均静水位组成的三层网络模型。 3 4 预测对比
本文以地下水水位动态变化为背景, 结合 人工神经网络、模式识别技术, 对地下水水位 变化情况进行模式分类及识别, 基于 BP 神经 网络对某水源地的地下水水位进行了预测。
2 方法简介
神经网络是人们在模仿人脑处理问题的 过程中发展起来的一种新型智能信息处理理 论, 它通过大量的称为神经元的简单处理单
8
H 闸 第 i 月大陈闸水位, m。 i
回归方程的复相关系数 R= 0. 971, 剩余
标准差 Sy = 0 365。
3 3 网络模型的建立 选择上月降水量、生产井当月开采量、大
陈闸当月水位作 为 BP 网络的 输入量, 生产
井平均静水位作为输出量。该网络模型的中
间隐含层单元数由实际计算时的误差下降情
方程:
H 静 = 18 72192 + ( - 1 646911 10- 4 ) Q 开 +
i
i
( 8 722665 10- 3 ) Pi- 1 + ( 0. 6684919) H 闸 i
式中 H 静 i
第 i 月静水位回归值, m;
Q 开 第 i 月水源地生产井开采量, i
m3 / d;
Pi - 1 第 i - 1 月降水量, mm;
63 77
0 047
63 35
62 88
0 739
63 21
0 221
63 55
63 78
0 360
64 22
1 054
63 17
62 88
0 457
63 17
0 000
63 12
63 15
0 051
63 25
0 206
62 41
62 65
0 386
62 51