JWRR  >> Vol. 7 No. 6 (December 2018)

    ELM与BP神经搜集模型在径流预告中的比较研究
    Comparative Study of ELM and BP Neural Network Models for Runoff Prediction

  • 全文下载: PDF(649KB) HTML   XML   PP.551-556   DOI: 10.12677/JWRR.2018.76062  
  • 下载量: 250  浏览量: 512   国度天然迷信基金支撑

作者:  

王文川,李文锦,徐冬梅,李庆敏:华北水利水电大年夜学水利学院,河南 郑州

关键词:
神经搜集ELM模型BP模型径流猜想Neural Network ELM Model BP Model Runoff Prediction

摘要:

为了加倍精确的停止动流猜想,该研究针对BP神经搜集练习速度慢和轻易堕入部分极小值的缺点,建立了ELM神经搜集模型。以兰西水文站1959~2014年径流数据为例,采取ELM神经搜集对径流深停止猜想,相对误差、均方误差和肯定性系数作为模型公道性的验证目标,并与BP神经搜集猜想成果停止比较及分析。ELM模型的猜想成果,其相对误差、均方误差、肯定性系数均优于BP神经搜集模型,这注解ELM神经搜集模型对BP神经搜集模型已存在缺点停止了有效躲避且猜想精度有了进一步的晋升。是以,该研究供给的ELM模型在必定程度上可以或许更好的改良猜想后果,证清楚明了ELM模型在径流预告中的应用价值。

In order to make the runoff prediction more accurate, this study established the ELM neural network model for the shortcomings of BP neural network training slow and easy to fall into local minimum. Taking the runoff data of Lanxi Hydrological station from 1959 to 2014 as an example, the ELM neural network predicts the runoff depth. The relative error, mean square error and decision coefficient are used as the verification indicators of the rationality of the model, and compared with the BP neural network prediction results. The prediction results show that the ELM model is better than BP neural network model in terms of relative error, mean square error and decision coefficient. This indicates that the ELM neural network model has effectively avoided the shortcomings of the BP neural network model and the prediction accuracy has been further improved. Therefore, the ELM model can improve the prediction effect to a certain extent which has application value in annual runoff prediction.

1. 引言

中经久径流预告是水利水电工程设计、施工和运转管理的重要根据,在防汛、抗旱、供水、发电、养殖、旅游、航运及改良生态情况等方面能发挥明显感化 [1] 。今朝,应用较为广泛的径流猜想办法为人工智能算法,个中包含BP神经搜集算法和极端进修机算法。BP神经搜集基于前馈神经网路的架构下,经过过程梯度降低法,以逆向传播的方法停止进修,过程当中需赓续迭代更新权重和阈值,使得运算出现易堕入部分极值且练习速度慢等成绩 [2] [3] [4] 。极端进修机 [5] (extreme learning machine, ELM)履行过程当中不须要调剂搜集的输入权值和隐含层误差,只需设置隐含层节点数就可以产生唯一最优解,因此进修速度快且泛化性能好 [6] ,正好弥补了BP神经搜集练习时间长和部分极值的缺点。ELM在回归、拟合、分类等多个范畴取得国表里广泛的应用,同时很多学者对ELM提出了改进筹划,使其性能取得进一步晋升。例如,黄永辉等 [7] 应用ELM停止爆堆形状猜想,该猜想进步了爆炸对形状的精确度,并且经过过程实例猜想注解ELM猜想精度高于同期应用的BP神经搜集猜想成果;姜媛媛等 [8] 应用ELM对锂电池残剩寿命停止猜想,并与高斯过程回归猜想办法作比较,成果注解ELM算法具有较好的电池RUL猜想精度;陈恒志 [9] 等应用ELM对连铸坯质量停止猜想,并与BP和遗传算法优化的BP神经搜集猜想成果停止分析比较,成果显示该模型可对连铸坯质量停止敏捷精确的分析;石炜 [10] 等应用ELM对高炉喷煤量停止猜想,并与BP神经搜集猜想成果停止比较,成果显示ELM模型可以或许更快、更精确预告处高炉炼钢时所需喷煤量,可以或许更好的指导实际临盆。但ELM在径流猜想方面应用较少。是以,本文应用兰西站1959~2014年水文气候数据,以降水量、均匀温度、相对湿度、蒸散发及均匀温度为影响因子,构建ELM猜想模型和BP神经搜集模型作比较,对兰西站年径流变更规律停止了实例研究,以此商量ELM模型在径流猜想上的实用性。

2. 模型简介

2.1. ELM算法简介

ELM是黄广斌传授提出的一种单隐含层前馈神经搜集 [11] 。ELM的出现有效的处理了前馈神经搜集进修速度慢的困难。该算法只需在练习之前随机生成输入层与隐含层之间的连接权值和隐含层神经元阈值,且练习过程当中无需修改 [12] [13] 。

设m、M、n分别为搜集输入层、隐含层和输入层的节点数,g(x)是隐含层激活函数。关于N个不合的样本 ( x i , t i ) , i = 1 , 2 , , N ,个中 x i = [ x i 1 , x i 2 , , x i n ] T R m t i = [ t i 1 , t i 2 , , t i n ] T R m ,则ELM模型可表示为:

j = 1 M β i g ( w i x i + b i ) = o j ( j = 1 , 2 , , N ) (1)

式中:wi是输入层和隐含层的连接权值向量;βi是隐含层和输入层的连接权值向量;bi是隐含层神经元阈值;oj为搜集输入;

将N个不合的样本代入到式(1),得:

T = H β (2)

式中:H是隐含层输入矩阵;β是输入权值矩阵,T是样本集目标矩阵。

由于单隐含层前馈神经搜集的输入层与隐含层连接权值和隐含层神经元阈值是随机产生的且不须要调剂,所以当wj、bi肯定后,练习过程即式(2)最小二乘法求解过程。最小二乘解即: β ^ = H T T

HT为输入权值矩阵的伪逆。

2.2. BP神经搜集算法简介

BP神经搜集采取误差反向传播的思维,它本质上包含两个阶段,正向传播和反向传播,正向传播输入层得不到希冀输入时,则停止反向传播进而对搜集的各层连接权停止修改 [14] [15] 。建模过程以下:① 初始化搜集权值和阈值;② 构建搜集;③ 计算输入层误差;④ 反向修改权值;⑤ 反复③、④直到达到终止轮回请求;⑥ 基于上述搜集应用仿真函数停止数据猜想 [16] 。再将猜想数据反归一化就取得了终究的搜集猜想输入。

3. 实例应用

3.1. 研究区概略

兰西水文站位于黑龙江省绥化市呼兰河下游,居东经126˚22'12''至126˚28'6'',北纬46˚12'57''至46˚18'2'',西北高、西北低,海拔高程在116.6~209.8米,控制流域面积2770 km2。呼兰河为松花江流域主流,属北温带季风气候区,全长523 km。该地区多年均匀降水量普通在500 mm阁下,多年均匀气温为20℃~22℃。

3.2. 数据来源

本文选用兰西水文站径流深及该水文站的四个气候站(海伦、明水、绥化、铁力)的降水量、均匀气温、均匀相对湿度、蒸散发和均匀风速等气候数据停止研究。气候数据来自中国气候数据网(http://data.cma.cn/),应用泰森多边形法求得团圆分布的四个气候站对兰西水文站的影响程度,从而推算出兰西水文站的气候数据。ELM模型拔取的输入层参数有:① 降水量;② 均匀气温;③ 均匀相对湿度;④ 蒸散发;⑤ 均匀风速。径流深为输入层。

3.3. 基于ELM模型与BP神经搜集模型的猜想

本文拔取兰西县水文站1959~2008年的水文气候数据为练习样本,2009~2014年的数据为测试样本。见表1。ELM模型中的激活函数选择sig函数。

Table 1. Input and output parameters of the model

表1. 模型的输入、输入参数

3.4. ELM模型与BP神经搜集模型猜想成果比较

本文选用相对误差(RE)、均方误差(E)、决定系数(R2)作为评判模型猜想成果更优的标准。两模型猜想成果对比以下表2所示。

Table 2. Comparison of ELM model and BP neural network model prediction results

表2. ELM模型与BP神经搜集模型猜想成果比较

3.5. 成果分析

将实测值、ELM模型猜想成果及BP神经搜集猜想成果以折线图的情势表示出来,更直不雅的表达了猜想后果的好坏。见下图1

图1可以看出,ELM模型与BP神经搜集模型在2009年与2011年模仿后果均较好;2011年以后的2012、2013、2014年两模型猜想成果在线性趋势上均与实测值邻近,但从图中可直不雅看出ELM猜想成果与实测值更接近。从数据分析来看,本文采取相对误差、均方误差、肯定性系数对猜想成果停止评价,相对误差在20%以内即为合格,均方误差越小、肯定性系数越接近1误差越小。从表2可以看出两模型的相对误差均在20%以内,个中ELM模型的相对误差都在10%以内,由此解释ELM模型的猜想成果较为稳定。ELM模型与BP神经搜集模型的决定系数分别为0.99、0.98,均方误差分别为142.73、646.92,解释ELM猜想模型模仿径流数据具有更好的精确度。

Figure 1. Results comparison chart

图1. 成果对比图

4. 结论

本文为改良神经搜集练习时间长和易堕入部分极小值的成绩,建立了基于ELM神经搜集的径流猜想模型。采取兰西站水文气候数据停止测试,以决定系数、相对误差和均方误差对成果停止考验,成果注解ELM算法具有优胜的径流猜想才能,符合练习速度快、成果精确度高等长处。与BP神经搜集猜想成果比拟较,注解本文应用的ELM猜想办法具有更好的实用性。同时研究过程当中也存在些许缺乏,本文ELM模型激活函数为sig函数,并未对其他激活函数停止测试;在练习过程当中,发明ELM固然练习速度快,但具有稳定性不高的特点;测试地区仅为兰西站,具有必定的地区特点,是以,ELM在径流猜想上的实用性还需进一步摸索。

基金项目

国度天然迷信基金项目(51509088);河南省高校科技创新团队(14IRTSTHN028);河南省水情况模仿与管理重点实验室(2017016)。

NOTES

作者简介:王文川(1976-),男,河南鹿邑人,博士,传授,博导,重要从事水文水资本体系分析、遥感信息处理等方面的研究。

文章援用:
王文川, 李文锦, 徐冬梅, 李庆敏. ELM与BP神经搜集模型在径流预告中的比较研究[J]. 水资本研究, 2018, 7(6): 551-556. https://doi.org/10.12677/JWRR.2018.76062

参考文献

[1] 李红波, 夏潮军, 王淑英. 中经久径流预告研究停顿及生长趋势[J]. 人平易近黄河, 2012, 34(8): 36-38. LI Hongbo, XIA Chaojun and WANG Shuying. Research progress and development trend of medium and long term runoff forecasting. People’s Yellow River, 2012, 34(8): 36-38. (in Chinese)
[2] 崔东文. 改进Elman神经搜集在径流猜想中的应用[J]. 水利水运工程学报, 2013(2): 71-77. CUI Dongwen. Application of improved Elman neural network in runoff prediction. Journal of Water Resources and Hydropower Engineering, 2013(2): 71-77. (in Chinese)
[3] 田雨波, 陈风, 张贞凯. 混淆神经搜集技巧[M]. 迷信出版社, 2015. TIAN Yubo, CHEN Feng and ZHANG Yukai. Hybrid neural network technology. Science Press, 2015. (in Chinese)
[4] 张正, 秦雨, 李聪, 等. 基于BP神经搜集的尼尔基水库水质评价[J]. 水资本研究, 2017(3): 247-253. ZHANG Zheng, QIN Yu, LI Cong, et al. Water quality evaluation of Nierji Reservoir based on BP neural network. Water Resources Research, 2017(3): 247-253. (in Chinese)
[5] HUANG, G. B., ZHU, Q. Y. and SIEW, C. K. Extreme learning machine: A new learning scheme of feedforward neural networks. IEEE International Joint Conference on Neural Networks, 2005(2): 985-990.
[6] 赵坤, 覃锡忠, 贾振红, 王哲辉, 牛红梅. 基于CS算法改进ELM的时间序列猜想[J]. 计算机工程与设计, 2018, 39(8): 2649-2653. ZHAO Kun, YAN Xizhong, JIA Zhenhong, WANG Zhehui and NIU Hongmei. Time series prediction based on improved ELM based on CS algorithm. Computer Engineering and Design, 2018, 39(8): 2649-2653. (in Chinese)
[7] 黄永辉, 李胜林, 樊祥伟, 等. ELM神经搜集爆堆形状猜想模型的研究及应用[J]. 煤炭学报, 2012, 37(s1): 65-69. HUANG Yonghui, LI Shenglin, FAN Xiangwei, et al. Research and application of ELM neural network popping morphological prediction model. Journal of China Coal Society, 2012, 37(s1): 65-69. (in Chinese)
[8] 姜媛媛, 刘柱, 罗慧, 等. 锂电池残剩寿命的ELM直接猜想办法[J]. 电子丈量与仪器学报, 2016, 30(2): 179-185. JIANG Yuanyuan, LIU Zhu, LUO Hui, et al. ELM indirect prediction method for residual life of lithium batteries. Journal of Electronic Measurement and Instrument, 2016, 30(2): 179-185. (in Chinese)
[9] 陈恒志, 杨建平, 卢新春, 等. 基于极限进修机(ELM)的连铸坯质量猜想[J]. 工程迷信学报, 2018(7). CHEN Hengzhi, YANG Jianping, LU Xinchun, et al. Quality prediction of continuous casting billet based on Extreme Learning Machine (ELM). Journal of Engineering Science, 2018(7). (in Chinese)
[10] 石炜, 师伟, 秦波. 基于ELM的高炉喷煤量预告研究[J]. 内蒙古科技与经济, 2017(13): 70-71. SHI Wei, SHI Wei and QIN Bo. Research on prediction of blast furnace coal injection based on ELM. Inner Mongolia Science and Technology and Economy, 2017(13): 70-71. (in Chinese)
[11] HUANG, G. B., ZHU, Q. Y. and SIEW, C. K. Extreme learning machine: Theory and applications. Neurocomputing, 2006, 70(1): 489-501.
[12] 叶智峰, 曹青. 极限进修机在初始地应力场反演中的应用[J]. 水电动力迷信, 2016(6): 158-160. YE Zhifeng, CAO Qing. Application of extreme learning machine in initial geostress field inversion. Hydroelectric Energy Science, 2016(6): 158-160. (in Chinese)
[13] 秦琼, 刘树洁, 赖旭, 刘霄. GA优化ELM神经搜集的风电场测风数据插补[J]. 太阳能学报, 2018, 39(8): 2125-2132. QIN Qiong, LIU Shujie, LAI Xu and LIU Wei. The wind data interpolation of wind farms based on GA optimized ELM neural network. Acta Energiae Sinica, 2018, 39(8): 2125-2132. (in Chinese)
[14] 车骞, 王根绪, 畅豪杰, 等. 基于人工神经搜集的黄河源区枯季径流预告[J]. 人平易近黄河, 2005, 27(3): 23-24. CHE Wei, WANG Genxu, CHANG Junjie, et al. Forecast of dry season runoff in the source region of the Yellow River based on artificial neural network. People’s Yellow River, 2005, 27(3): 23-24. (in Chinese)
[15] 陈昕, 姚晓磊, 鱼京善. 基于BP人工神经搜集模型的沙柳河道域径流模仿后处理研究[J]. 水资本研究, 2016(4): 391-401. CHEN Wei, YAO Xiaolei and YU Jingshan. Research on post-processing of runoff simulation in Shaliu River Basin based on BP artificial neural network model. Water Resources Research, 2016(4): 391-401. (in Chinese)
[16] 王博, 顿新春, 李智勇. 基于BP神经搜集的水利工程招标决定计划模型及应用[J]. 水电动力迷信, 2013(3): 131-134. WANG Bo, DENG Xinchun and LI Zhiyong. Bidding decision model and application of hydraulic engineering based on BP neural network. Hydroelectric Energy Science, 2013(3): 131-134. (in Chinese)