网络网络工具

第34卷第6期2003年6月人民长江YangtzeRiverVo1.
34.
No.
6June,2003文章编号-1001—4179(2003)06—0038—03MATLAB神经网络工具箱在径流模拟中的应用袁飞任立良姜红梅季成康2(1.
河海大学水资源环境学院,江苏南京210098;2.
长江水利委员会长江下游水文水资源勘测局,江苏南京210011)摘要:选择汉江上游回水河流域为研究区域,运用美国Mathworks公司发布的MATLAB神经网络工具箱构建BP神经网络,采用traingdm函数(动量梯度下降反向传播算法)、trainlm函数(Leverberg—Marquart优化方法)和train—br函数(IJeverberg—Marquart优化方法结合贝叶斯正则化方法)来训练BP网络,进行日流量模拟,并比较3种算法的模拟精度.
结果表明:使用MATLAB神经网络工具箱可以快速、高效地构建BP神经网络,并应用于径流模拟中;神经网络工具箱提供的大量网络构建函数、快速学习算法和友好的图形界面大大缩短了神经网络的建模时间,使网络设计者摆脱繁琐的编程工作,将研究重点转移到如何优化网络配置、提高网络学习效率、推广能力和仿真效果上来;在回水河流域,采用trainbr函数训练的网络模拟径流的精度较traingdm函数和trainlm函数的精度高.
关键词:神经网络;径流模拟;计算方法;汉江(中国)中图分类号-P332文献标识码-AMATLAB是美国Mathworks公司发布的主要面向科学计算、可视化以及交互式程序设计的高级计算语言…,它为众多学科领域内的科技人员提供了一种简洁、高效的编程环境,在很大程度上摆脱了传统非交互式语言(如C、Basic、Fortran)的编程模式,为科学和工程领域全面解决复杂数值计算问题提供了综合解决方案J.
MATLAB拥有一个功能强大、涉及多学科的工具箱,本文将MATLAB神经网络工具箱应用于日径流模拟,并就BP神经网络的3种改进算法进行分析比较.
1MA,I1AB神经网络工具箱1.
1基本功能MATLAB6.
5对应的神经网络工具箱为NNToolbox4.
0.
2版,其主要功能为:方便快速地架构多种神经网络,网络模型有感知机模型、线性滤波器、BP网络、控制系统网络模型、径向基网络、自组织竞争网络及反馈网络等;提供多种神经网络激活函数(如Signoid函数、线性传递函数、竞争层激活函数等),方便设计者调用;针对各种网络提供多种网络训练算法,以满足解决不同实际问题的需要;网络训练过程中实时显示当前训练结果信息,提供训练误差实时变化曲线,方便用户根据网络训练情况及时调整网络结构,提高工作效率.
1.
2使用方法利用NNToolbox4.
0、2架构神经网络主要采用以下两种方法:(1)使用网络数据管理器(NetworkDataManager).
具体操作为:在LaunchPad窗体中点击NeuralNetworkToolbox目录下的收稿日期:2003—03—25作者简介:袁飞,男,河海大学水资源环境学院,博士研究生.
nntool文件,即在计算机屏幕中央出现NetworkDataManager窗体;点击窗体中NewNetwork按钮,根据提示设定网络类型、网络结构、网络算法和网络激活函数即可生成用户定义的神经网络;点击View按钮可显示该神经网络的结构图;点击initialize、simu—late、train和adapt按钮并设定参数可对神经网络进行初始化、模拟、训练和仿真;最后点击Export按钮可将网络模拟、训练和仿真的结果以文件的形式导出.
该方法操作简易,无需编写程序代码.
即可完成神经网络的构建、初始化、训练和仿真等主要工作.
但是该方法不能和MATLAB其他程序动态链接,网络仿真结果只能以数据文件的形式导出,不能可视化显示.
(2)编写MATLAB应用程序,即运用MATLAB语言引用神经网络工具箱函数编写程序代码并保存为M文件,然后运行该文件.
该种方法可以根据研究人员的需要,调用MATLAB丰富的内部函数.
并能和各类数据库及其他应用程序(包括C、FOR—TRAN程序)动态链接,使神经网络功能更为强大.
本研究即采用该种方法,其中引用的重要算法、函数及参数将在第2、3节详述.
2BP网络改进算法简介标准的BP网络一般采用梯度下降反向传播算法,该算法通常具有收敛速度慢、易陷入局部极小点等缺点.
MATLAB神经网络工具箱对常规BP算法进行了改进,并提供了一系列快速学习算法,有效地克服了常规BP学习算法的缺陷.
本文采用的3种网络学习算法简介如下:(1)traingdm(动量梯度下降反向传播算法,Gradientdescentwithmomentulnbackpropagation).
该算法在对权重和阈值更新时维普资讯http://www.
cqvip.
com第6期袁飞等:MATLAB神经网络工具箱在径流模拟中的应用39不仅考虑当前的梯度方向,而且还考虑了前一时刻的梯度方向,从而降低了网络性能对参数调整的敏感性,有效地抑制了局部极小J,但收敛速度较慢.
(2)trainlm(Levenberg—Marquardt优化方法)oLevenberg—Ma呷-ardt优化方法能够根据网络训练误差变化情况,自动调节网络训练参数,使网络实时采取适宜的训练方法.
当较小,网络训练过程主要依据Gauss—Newton法;当较大,网络训练过程主要依据梯度下降算法.
该训练函数的效率优于梯度下降法,但占用内存较大,适用于规模较小的网络.
(3)trainbr(Levenberg—Ma呷】ardt优化方法与Bayesian正则化方法).
推广能力(Generalization)是衡量神经网络性能好坏的重要标志.
一个"过度训练"(Overfitting)的神经网络可能会对训练样本达到较高的拟合效果,但对于一个新的输入样本矢量却可能产生与目标矢量差别较大的输出,即网络的推广能力较差.
MATLAB神经网络工具箱提供了正则化方法,通过修正神经网络的训练性能函数来提高推广能力.
通过采用新的性能指标函数,可以在保证网络训练误差尽可能小的情况下使网络具有较小的权值,相当自动缩小网络的规模.
trainbr函数采用I_even.
berg—Ma呷-ardt优化方法进行网络权值和阈值的最优化搜索,并采用Bayesian正则化方法在网络训练过程中自适应地调节性能函数比例系数y的大小,使其达到最优.
实践证明,采用tl'ainbr函数训练后的BP网络具有较好的推广能力_3j.
3实例分析目前BP神经网络已广泛应用于水文学研究领域,王玲_4J、冯利华J、金菊良等学者分别采用BP网络用于评价城市化对径流生成影响、预报洪峰流量和水位、预测年径流.
本研究利用MATLAB神经网络工具箱生成的BP网络来模拟日径流量.
3.
1建模本研究选取回水河流域作为研究对象,回水河位于长江第一大支流一汉江的上游地区,水文站铁锁关以上集水面积为433km2,流域内设有4个雨量站(图1所示:铁锁关、周家坝、回水河、滴水铺)、1个蒸发站(铁锁关).
{,图1回水河流域雨量站分布为简化网络结构、提高模型运算速度,本研究拟用流域日降雨量数据作为神经网络的基本输入样本.
本次收集19801985年各雨量站的日降雨量资料,并分析出各雨量站日降雨量的相关性,发现相关性很好,相关系数=0.
8340.
914,因此可将这4个雨量站的日降雨量数据算术平均,近似作为整个流域的日降雨量.
以1980—1984年的流域日降雨量、铁锁关站日蒸发量及铁锁关站日平均流量数据构造训练样本.
用1985年的流域日降雨量、铁锁关站日蒸发量及铁锁关站日平均流量数据构造检验样本.
模型采用BP网络,其结构为4—5—1,即输入层神经元个数为4个,分别为飓、飓一.
、PE一和Q;隐含层神经元的个数为5个;输出层神经元个数为1个,为Q.
其中为流域日降雨量减去同期铁锁关站日蒸发量,Q,为铁锁关日平均流量.
采用MATLAB神经网络工具箱进行回水河径流模拟包括以下步骤:(1)从数据文件中导人训练样本和检验样本.
rid=fopen('e:\ANN\po.
txt','r');P=fscanf(6d,'%g',[41825]);%P为训练样本输入矢量.
6d=fopen('e:\ANN\tO.
txt','r');T=fscanf(fid,'%g',[11825]);%T为训练样本目标矢量.
6d=fopen('E:\ANN\p1.
txt','r');PP=fseanf(削,'%g',[4363]);%PP为检验样本输入矢量.
6d=fopen('E:\ANN\t1.
txt','r');TF=t~anf(rid,'%g',[1363]);%'IT为检验样本目标矢量.
(2)BP神经网络的生成及初始化.
net=newff(minmax(P),[5,1],{'tansig','purelin'},'trainbr');net=init(net).
以上分别设置了BP神经网络的隐含层神经元数、输出层神经元数、神经元采用的激活函数以及网络训练算法.
利用函数initff()对网络各层权重和阈值进行初始化.
此外还需设置一些网络训练参数:net.
trainParam.
epochs=50000;%设置网络训练次数为50000次.
net.
trainParam.
show=50;%设置每隔5o次显示当前网络训练误差.
net.
trainParmn.
goal=0.
1;%设置网络训练目标误差为0.
1.
(3)对BP神经网络进行训练和仿真.
[net,tr]=train(net,P,T);%利用函数train()对网络进行训练.
A=sim(net,P);AA=sim(net,PP);%利用函数sim()对训练年份和检验年份日流量进行仿真.
T1=1:1:1825;plot(T1,T,T1,A);%利用函数plot()绘出训练年份实测流量与计算流量拟合图.
T2=1:1:363;plot(,rIrr,,从);%利用函数plot()绘出验证年份实测流量与计算流量拟合图.
(4)将上述代码保存为M文件,运行该文件即可进行日流量的模拟.
由上可以看出:MATLAB是基于矩阵的计算机语言,其语法十分简洁,另外它拥有丰富的内部函数和功能强大的工具箱函数,通常数十条MATIAB程序代码就能完成神经网络构建、训练、仿真等任务;而使用C、FORTRAN语言则工作量极大.
神经网络工具箱的算法较为先进,通用性强,运行程序时不易陷入数值溢出、网络发散等难题,而C、FORTRAN程序通常要花费大量精力来解决这些难题.
因此采用MATLAB神经网络工具箱来构建BP神经网络能够使研究彻底摆脱繁琐的编程,真正地把注意力转移到如何优化网络配置,提高网络学习效率、推广能力和仿真效果上来.
3.
2结果分析MATIPtB神经网络工具箱为BP网络提供了许多快速学习算法的函数.
本研究分别采用traingdm函数、trainlm函数和trainbr函数来训练BP神经网络50000次,并进行径流模拟.
我们采用确定性系数DC和流量过程相对误差EQ来比较3种算法对日径流的模拟效果.
DC和EQ的计算公式如下:n:[Q(i)一Q0(i)]DC=1一生一[Q.
(i)一]维普资讯http://www.
cqvip.
com人民长江2003篮∑lQo()一Qo()IEQ=L——————一∑()式中Q.
(i)为实测流量;.
为实测流量均值;Q(i)为计算流量;n为样本数.
Dc的最佳值为1,低于0.
6则模拟精度较差.
EQ的最佳值为0,高于0.
5则模拟精度较差.
3种算法的径流模拟结果列于表1.
表13种算法的径流模拟结果从表1可知,尽管MATLAB神经网络工具箱为BP网络设计的训练函数均为快速学习算法函数,但在实际应用中它们的性能各不相同.
上述3种算法中,traindgm函数模拟的精度最低,6a中只有1980年的确定性系数高于0.
60,其余5a均低于0.
5;trainlm函数和trainbr函数模拟的精度较高,所有年份的确定性系数均高于0.
80.
这是因为traindgm函数采用的是动量梯度下降反向传播算法,虽然该种算法在梯度下降反向算法的基础上作了一些改进,能够有效地抑制局部极小,但它的收敛速度很慢,50000次的训练仍然难以找出最优的网络权值和阈值.
而trainlm和trainbr函数均采用Levenberg—Marquardt优化方法,能够快速获得最优的网络权值和阈值,收敛速度较快.
仔细比较trainlm和trainbr函数的模拟结果可以发现,trainbr函数的模拟精度较trainlm高,特别注意的是在检验年一l985年,采用trainbr函数的确定性系数要高于采用trainlm函数的确定性系数8%.
这:.
.
…一一一L.
时间/d图2利用trainbr函数检验的1985年日流量过程线是因为trainbr函数还采用了贝叶斯正则化方法,通过修正神经网络的训练性能函数来提高推广能力,防止出现"过度训练".
图2所示了采用trainbr函数模拟1985年的Lt流量过程,计算流量过程与实测流量过程基本一致,但洪峰流量偏差稍大,原因分析如下:(1)为精简网络结构、提高计算速度,径流模拟采用流域Lt平均降雨量作为基本资料输入网络,将各雨量站的Lt降雨量数据算术平均在一定程度上会造成雨量信息在空间上的均化,影响洪峰流量的计算精度.
(2)BP网络隐含层的神经元个数偏少,也会影响仿真效果.
4结论与建议通过本文研究可以得出以下结论:(1)使用MATLAB神经网络工具箱可以快速、高效地构建BP神经网络.
神经网络工具箱提供的大量网络构建函数、快速学习算法和友好的图形界面大大缩短了神经网络的建模时间,使网络设计者摆脱繁琐的编程工作,将研究重点转移到如何优化网络配置、提高网络学习效率、推广能力和仿真效果上来.
(2)在径流模拟中,trainbr网络训练算法较traingdm和train—lm达到更高的拟合精度.
当然,采用人工神经网络模拟径流是一种在资料相对较少、难以揭示水文系统内部规律情况下的替代方法.
它是在错综复杂的水文序列中找出一定的演变规律.
事实上,虽然trainbr算法检验1985年铁锁关站Lt流量(图2所示)模拟的确定性系数达到0.
901,但计算的Lt流量峰值较实测值偏小,建议将人工神经网络技术和具有物理基础的水文模型相结合,从而提高径流模拟的精度.
参考文献:[1]杨建强,罗先香.
MATIAB软件工具箱简介.
水科学进展,2001,12(2):237~242.
[2]张延华,WngmingXu.
面向多学科的新一代程序设计语言.
计算机应用研究,1998,16(6):4~8.
[3]许东,昊铮.
基于MATIAB6.
x的系统分析与设计一神经网络(第二版).
西安:西安电子科技大学出版社,2002:21~24.
[4]王玲,朱传宝,吴道喜.
人工神经网络评价城-#4t;对径流生成的影响.
人民长江,2002,33(3):21~22.
[5]冯利华.
基于神经网络的洪水预报研究.
自然灾害学报,2000,9(2):45~48.
[6]金菊良,杨晓华,丁晶.
基于神经网络的年径流预测模型.
人民长江.
1999.
33(增刊):58~62.
(编辑:刘毅)m……,·三峡工程建设动态·三峡水库蓄水方案确定由长江勘测规划设计研究院拟定的《长江三峡水利枢纽围堰挡水发电期水库蓄水方案》通过长江三峡工程开发总公司的审查.
为确保2003年三峡工程蓄水、通航、发电3大目标及计划顺利实现,长江勘测规划设计研究院按照《长江三峡二期工程验收工作大纲》要求,对三峡工程水库蓄水方案进行了深入研究,在此基础上提出了三峡水库蓄水方案.
该方案综合考虑水库蓄水相关的水文条件、库容与枢纽泄洪能力、控制·性工程施工进度、建筑物安全及相关部门对蓄水的要求等主要因素,拟定了水库蓄水标准和蓄水调度基本原则.
蓄水调度在保证工程安全及适应施工进度的条件下,力争在蓄水标准条件下6月15日前水库蓄水至水位135m,尽最大可能减少由于三峡水库蓄水对发电、航运等主要方面造成的不利影响.
(张志江)维普资讯http://www.
cqvip.
com