水利学报
水利學報
수리학보
2007年
4期
448-453
,共6页
梯级-关联算法%含沙量%预报%神经网络%黄河
梯級-關聯算法%含沙量%預報%神經網絡%黃河
제급-관련산법%함사량%예보%신경망락%황하
本文借助历史加成法处理样本数据,并分别利用梯级-关联算法(CC)和误差反馈传播算法(BP)建立模型对黄河下游夹河滩水文站汛期含沙量进行预报.传统BP网络需要预先设定网络结构,预报过程虽利用了神经网络的内插特性,但其样本的处理方式和网络构建方式使得运算效率较低;CC算法仅要求初始网络含有输入层和输出层,通过运算不断向网络增加隐含节点,从而最大限度的减少了在网络构建过程中的主观因素.本文比较了当预报的峰值超出训练样本取值范围时两种算法的表现,结果显示:当预报的峰值为训练样本峰值的2.45倍时,二者均能实现较为准确的预报,BP网络在预报精度上要略高于CC网络,但CC网络在运算速度上要明显快于BP网络.
本文藉助歷史加成法處理樣本數據,併分彆利用梯級-關聯算法(CC)和誤差反饋傳播算法(BP)建立模型對黃河下遊夾河灘水文站汛期含沙量進行預報.傳統BP網絡需要預先設定網絡結構,預報過程雖利用瞭神經網絡的內插特性,但其樣本的處理方式和網絡構建方式使得運算效率較低;CC算法僅要求初始網絡含有輸入層和輸齣層,通過運算不斷嚮網絡增加隱含節點,從而最大限度的減少瞭在網絡構建過程中的主觀因素.本文比較瞭噹預報的峰值超齣訓練樣本取值範圍時兩種算法的錶現,結果顯示:噹預報的峰值為訓練樣本峰值的2.45倍時,二者均能實現較為準確的預報,BP網絡在預報精度上要略高于CC網絡,但CC網絡在運算速度上要明顯快于BP網絡.
본문차조역사가성법처리양본수거,병분별이용제급-관련산법(CC)화오차반궤전파산법(BP)건립모형대황하하유협하탄수문참신기함사량진행예보.전통BP망락수요예선설정망락결구,예보과정수이용료신경망락적내삽특성,단기양본적처리방식화망락구건방식사득운산효솔교저;CC산법부요구초시망락함유수입층화수출층,통과운산불단향망락증가은함절점,종이최대한도적감소료재망락구건과정중적주관인소.본문비교료당예보적봉치초출훈련양본취치범위시량충산법적표현,결과현시:당예보적봉치위훈련양본봉치적2.45배시,이자균능실현교위준학적예보,BP망락재예보정도상요략고우CC망락,단CC망락재운산속도상요명현쾌우BP망락.
