导读： 算法的训练过程由信号的正向传播与误差的逆向传播两个过程组成）所示 、图高于实测值 这里所采用的峰值误差修正放大系数μ实质上与集中大值所占的比例有关，大值所占比例越小，μ的取值越大；反之，则小 在实际操作中，ξμ是作为一个参数进行权重调节计算的...
算法的训练过程由信号的正向传播与误差的逆向传播两个过程组成）所示
、图高于实测值
这里所采用的峰值误差修正放大系数μ实质上与集中大值所占的比例有关，大值所占比例越小，μ的取值越大；反之，则小.在实际操作中，ξμ是作为一个参数进行权重调节计算的，所以μ的取值又受集中最大值和最小值间比例关系的限制.
如果放大系数选取过大，网络训练容易失稳，造成训练误差增大；反之，网络权重的修改难以体现洪峰的贡献.具体取值由实际问题而定，在珠江流域的洪水预报模型中，放大系数的取值范围为1.5～2.5.
从网络模型的训练识别和测试预报两方面的研究成果来看，人工神经网络对于洪水演进规律的识别具有较高的精度，能够模拟洪水的动态过程，其中，引入峰值识别理论的BPPR算法有利于提高模型对峰值的映射与预报精度，效果明显.这些改进效果对于水文水资源预报中，可能效果并不十分显著，但在防汛中，水位预报对决策至关重要，往往十几厘米的误差，直接影响到方案的决策.因此，峰值识别理论对基于BP算法的洪水预报模型来讲，具有重要意义.
3 结束语
基于人工神经网络的洪水预报方法作为减灾领域一种新的研究途径，将智能化思想引入到对洪水过程的计算模拟，更能反映洪水复杂非线性的动态演进规律.研究结果表明，人工神经网络算法能够很好地映射洪水
