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