BP 網(wǎng)絡(luò)（Back-Propagation Network，BP）具有高度 的非線性映射能力，結(jié)構(gòu)簡(jiǎn)單，性能良好，是ANN 最為 常用的神經(jīng)網(wǎng)絡(luò)類型之一， 在水文過(guò)程模擬和預(yù)報(bào)中 顯示出比傳統(tǒng)時(shí)間序列方法更為有效和便捷， 廣泛運(yùn) 用于徑流預(yù)測(cè)[2-6]。但如何保證較高的預(yù)測(cè)精度一直是 BP 網(wǎng)絡(luò)應(yīng)用的核心問(wèn)題，為此人們從各個(gè)角度去探索 徑流預(yù)測(cè)的新方法[7]。普遍認(rèn)為單層BP 網(wǎng)絡(luò)原理簡(jiǎn)單， 收斂速度慢， 容易陷入局部極值而得不到全局最優(yōu)[1]， 針對(duì)這一問(wèn)題，基于各種智能算法優(yōu)化BP 網(wǎng)絡(luò)權(quán)值和 閾值的徑流預(yù)測(cè)模型應(yīng)運(yùn)而生，如基于遺傳算法[8-10]、 粒子群算法[11]、蟻群算法[12]、免疫進(jìn)化算法[1]、模擬退火 算法[13]以及人工魚群算法[14]等的BP 網(wǎng)絡(luò)徑流預(yù)測(cè)模 型， 在徑流預(yù)測(cè)預(yù)報(bào)中取得了較好預(yù)測(cè)精度和應(yīng)用效 果。目前，應(yīng)用于優(yōu)化BP 網(wǎng)絡(luò)最為常見(jiàn)的智能算法是 遺傳算法，其主要用于優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，及網(wǎng)絡(luò)權(quán)、閾值， 一般優(yōu)化后的BP 網(wǎng)絡(luò)預(yù)測(cè)精度高于未優(yōu)化的BP 網(wǎng) 絡(luò)， 但算法也存在局限性， 其一是只能有限提高原有BP 網(wǎng)絡(luò)的預(yù)測(cè)精度；其二是對(duì)于結(jié)構(gòu)優(yōu)化算法，由于 權(quán)、閾值隨機(jī)初始化，相同結(jié)構(gòu)網(wǎng)絡(luò)每次預(yù)測(cè)結(jié)果均不 相同，算法優(yōu)化效果有限，目前該算法主要用于優(yōu)化網(wǎng) 絡(luò)權(quán)、閾值。且由于BP 網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)閾值的個(gè)體編碼 長(zhǎng)度不同，個(gè)體間無(wú)法進(jìn)行交叉操作，因此基于遺傳 算法同時(shí)優(yōu)化BP 網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)閾值的算法可用性不 高[15]�；诖�，本文以一個(gè)徑流預(yù)測(cè)實(shí)例為基礎(chǔ)，構(gòu)建 多隱層BP 神經(jīng)網(wǎng)絡(luò)徑流預(yù)測(cè)模型， 并與常規(guī)單隱層 BP、RBF、GRNN 網(wǎng)絡(luò)模型以及IEA-BP 網(wǎng)絡(luò)模型的預(yù) 測(cè)結(jié)果進(jìn)行對(duì)比， 結(jié)果表明多隱層BP 網(wǎng)絡(luò)模型預(yù)測(cè) 精度高、算法穩(wěn)定，可為徑流預(yù)測(cè)預(yù)報(bào)提供了一種新 的方法和途徑。 |
