基于BP神经网络的地下水水位预测
基于BP神经网络的地下水位预测系统设计
第 53 卷 第 4 期地 震 科 学 进 展Vol.53 No.4 2023 年 4 月Progress in Earthquake Sciences Apr., 2023廖绍欢，赵乃千，詹旭. 基于BP神经网络的地下水位预测系统设计[J]. 地震科学进展, 2023, 53(4): 165-170. doi:10.19987/ j.dzkxjz.2022-118Liao S H, Zhao N Q, Zhan X. Design of groundwater level prediction system based on BP neural network[J]. Progress in Earthquake Sciences, 2023, 53(4): 165-170. doi:10.19987/j.dzkxjz.2022-118基于BP神经网络的地下水位预测系统设计*廖绍欢1) 赵乃千1) 詹 旭2)※1) 四川省地震局成都地震监测中心站，四川成都 6117302) 四川轻化工大学自动化与信息工程学院，四川自贡 643000摘要 为了解四川德阳地下水位动态，进而分析地震前兆动态，本文设计了一个基于BP神经网络的地下水位预测系统。
采用SWY-Ⅱ数字式水位仪对德阳地下水位数据进行采集。
根据采集的2015年水位数据，利用BP神经网络对地下水位变化进行预测，以一年的采集数据进行训练和测试，采用3个输入节点、1个输出节点设计了BP神经网络结构。
为了进一步验证本预测系统，本文对2017年7月1日—10月26日地下水位情况进行了预测。
实验表明：该方案能有效实现地下水位的预测，为地震前兆工作提供可靠数据。
关键词 单片机；BP神经网络；预测中图分类号：P315.72+3 文献标识码： A 文章编号: 2096-7780(2023)04-0165-06doi：10.19987/j.dzkxjz.2022-118Design of groundwater level prediction system based on BP neural networkLiao Shaohuan1), Zhao Naiqian1), Zhan Xu2)1) Chengdu Earthquake Monitoring Center Station, Sichuan Earthquake Agency, Sichuan Chengdu 611730, China2) School of Automation and Information Engineering, Sichuan University of Science & Engineering, Sichuan Zigong643000, ChinaAbstract In order to understand the dynamic of groundwater level and master the earthquake precursor dynamic，we designed groundwater level prediction system based on BP neural network. According to the groundwater level of Deyang，Sichuan Province，SWY-II digital water level meter is used to collect the groundwater level data of Deyang. Based on the collected water level data in 2015，the BP neural network is used to predict the change of groundwater level，and the data collected for one year are trained and tested. The structure of BP neural network is designed with three input nodes and one output node. In order to further validate the proposal，the groundwater level from July 1 to October 26，2017 is predicted. The experiment shows that the scheme can predict groundwater level effectively and provide reliable data for earthquake precursor work.Keywords MCU; BP neural network; predict* 收稿日期：2022-07-21；采用日期：2022-10-20。
三江平原地下水位的预测——基于RPROP的BP神经网络方法
三江平原地下水位的预测——基于RPROP的BP神经网络方法随着城市化的快速发展和人口的增加，地下水资源逐渐受到了严重的威胁。
为了有效地管理和保护地下水资源，对地下水位进行准确地预测是至关重要的。
本文将基于RPROP的BP神经网络方法，对三江平原地下水位进行预测分析。
首先，我们需要了解三江平原地下水位受到的影响因素。
在三江平原地区，地下水位主要受到降雨量、蒸散发和人类活动等因素的影响。
因此，我们需要收集并整理相关的气象数据、地下水位数据和人类活动数据，以建立地下水位的预测模型。
其次，我们将采用BP神经网络算法来进行地下水位的预测。
BP神经网络是一种反向传播神经网络，通过不断地调整神经元之间的连接权重，训练网络以实现目标输出。
在BP神经网络中，我们将采用RPROP算法作为权重更新的方法，以提高网络的收敛速度和准确性。
接下来，我们将进行数据的预处理工作。
首先，我们将对数据进行标准化处理，以提高网络的训练速度和泛化能力。
然后，我们将数据分为训练集和测试集，以便对网络进行训练和验证。
然后，我们将建立BP神经网络模型。
在建立网络结构时，我们需要确定输入层、隐藏层和输出层的神经元数量，并选择合适的激活函数和损失函数。
在网络训练过程中，我们将使用RPROP算法进行权重的更新，并设置合适的学习率和训练轮数，以使网络能够更好地逼近实际地下水位数据。
最后，我们将对网络进行评估和验证。
我们将使用测试集数据来验证网络的预测准确性，并通过计算误差指标来评估网络的性能。
同时，我们还将对网络进行参数调优和模型优化，以提高网络的预测精度和泛化能力。
综上所述，基于RPROP的BP神经网络方法可以有效地对三江平原地下水位进行预测。
通过建立合适的神经网络模型和进行数据处理优化，我们可以提高地下水位的预测准确性，为地下水资源的管理和保护提供重要的决策支持。
希望本文的研究可以为地下水位预测领域的进一步深入研究提供参考和借鉴。
基于BP神经网络的孔隙充水矿井涌水量预测
基于BP 神经网络的孔隙充水矿井涌水量预测凌成鹏,孙亚军,杨兰和,姜 素,邵飞燕(中国矿业大学,徐州 221008)摘要:文章分析了孔隙充水矿井的充水水源和通道,利用非线性的BP 人工神经网络建立了徐州韩桥煤矿涌水量短期预测模型,选取每天的降水量作为影响因子,用已有的涌水量资料训练得到权值和阈值来表示充水通道,并对-200m 水平、-270m 水平、-330m 水平和全矿井涌水量进行了预测。
结果显示,涌水量的预测值与实测值吻合得较好,说明该模型具有一定实用性。
关键词:BP 人工神经网络;孔隙充水矿井;涌水量;预测模型;韩桥煤矿中图分类号:P64114+1 文献标识码:A 文章编号:100023665(2007)0520055204收稿日期:2006211208;修订日期:2007203230基金项目:国家自然科学基金重点项目“水资源保护性煤炭开采基础理论与应用研究”(50634050);国家重点基础研究发展计划“973”计划(2007C B209401)作者简介:凌成鹏(19832),男,硕士研究生,主要从事水文地质、矿井水害防治方面的研究。
E 2mail :kqs2008@ 矿井涌水量是指在矿山建设和生产过程中单位时间内通过各种巷道和开采系统流入矿井的水量[1～2]。
准确预测矿井涌水量对于矿井安全生产具有极其重要的意义。
目前常用的预测矿井涌水量的方法主要有相关比拟法、解析法、水均衡法、数值法和时间序列分析等方法[3～4]。
但是预测过程中由于水文地质条件复杂、采用的水文地质参数缺乏代表性以及所建立的数学模型不恰当等原因,很容易导致计算的误差偏大,不能提供准确的涌水量预测数据。
本文运用水文地质学的相关理论,通过BP 人工神经网络方法[5～7]对徐州韩桥煤矿的涌水量进行预测,取得了满意的效果。
1 孔隙充水矿井的涌水量因素分析孔隙充水矿井的充水水源主要是大气降水。
大气降水渗入量的大小与地区的气候、地形、岩性、构造等因素有关。
用BP神经网络预测地下水动态
地 下 水 动态 受一 系 列 自然 和 人 为 因 素 的 影 响 ，它 是 地 下 水 系 统 受 多 种 输 入 所 激 励 而 产 生 的综 合 效
摘 要 ：地下水 系统是一个 复杂 的随机 系统 ，本文根 据地 下水位 与其影 响 因素 Ｐ人工 神经网络模 型 ，并将 其用 于地 下水 位 的动态 预测 。实例表 明 ，该方 法预测 精 度较 高 ，具 有 一 键 词 ：地 下水动态 ；预测 ；人工 神经网络
（ ． ｏ ｅ ｅｏ Ｕ ｂ ｎ ａｄ Ｒ ｒｌ ｏｓ ｕ ｔ ｎ Ａ ｒ ｕｔ ａ Ｕ ｉ ｒ ｔ ｏ ｅｅ ，Ｂ ｏ ｉ ７０ １ ｈｎ ； １ Ｃ ｌ ｇ ｆ ｒａ ｎ ｕａ Ｃ ｎｔ ｃ ｏ ， ｇ ｃ ｌ ｒｌ ｎ ｅ ｉ ｆ ｂ ｉ ａｄｎ Ｃ １０ ，Ｃ ｉ ｌ ｒ ｉ ｉ ｕ ｖ ｓｙ Ｈ ｇｒ ａ
收 稿 日期 ：２Ｏ —０ Ｏ ２ ４—１ ５
作者简介 ：赵 胜利 （９ ３ ，男 ，河北省保定市 人 ，硕士 ，主要从 事建 筑施工的教学 与研究 工作 １７ 一）
文 献 标 识 码 ：Ａ
定 的推广价值 。
关
中 图 分 类 号 ：Ｐ５ １７ ４ ．４
Ｕｔｌ ｉ ｇ ｉ ｉ ｎ ＢＰ ｕ ａ ｔ ｒ ｔ ｏ ｅ ａ ｔｇ ｏ ｎ ｚ ｎｅ ｒ ｌｎｅｗｏ ｋ ｏ ｆ ｒ ｃ ｓ ｒ ｕ ｄｗａ ｅ ｅ ｉ ｅ ｔｒ ｒ ｇｍ
Ｚ ＨＡＯ ｈ ｎ － Ｓ ｅ ｇ－ ｌ ｉ，ＬＵ Ｙａ Ｌ ｈ － ｕ ｎ ， Ｐ － Ｉ ｎ ， Ｉ ｕｑ ａ Ｓ ＡＮＧ ｈ ｎ ． ｉ Ｚ ａ ｇ ｂｎ
三江平原地下水位的预测——基于RPROP的BP神经网络方法
０ 引 言
三 江 平原 位 于 黑 龙 江 省 的Biblioteka 北 部 ， 据 黑 龙 江 ， 北
如果 误 差 不 满 足 要 求 ， 误 差 向后 传 播 ， 从 输 出层 将 即 到输 入层 逐 层求 其误 差 （ 际 上 是 等效 误 差 ） 然后 相 实 ， 应地 修改 权值 ¨ 。 误 差 反 向传播 算 法 简 称 Ｂ Ｐ算 法 ， 在 成 为人 工 现
经 济有 深 远 的影 响 。
ｌ） ， 的学 习训 练 ， 到 神经 元 之 间 的 连 接权 ， 和 尸 得 阈值 ０＿ｋ 使 ｎ维 空 间对 ｍ 维 空 间 的 映 射 获 得 成 功 ，，， 『
由于三 江平 原 地 下水 位 预 测 的 重要 性 ， 目前 对 其
研 究 的方 法很 多 。为 了提 高 预 测 的 准确 性 、 时 性 及 实 研 究方 法 的广 泛性 ， 文 采 用 Ｒ Ｒ Ｐ的 Ｂ 本 ＰＯ Ｐ神 经 网络 方 法对 三 江平 原地 下 水 位 埋 深 进 行 预测 和分 析 ， 望 希 能 为该 领域 的科学 研究 做 出 贡献 。
ｍａ ）ｇ ｏ ｅ７ ０ ｌ ＠ １ ６ ｃ ｒ 。 ｉ ｕ ｗ ｉ９ ８ ３ ２ ． ｏ ｌ ｎ
自前级 １ ７ ， 个神经元 的轴突信息 ；ｉ ｉ ０ 是 神经元的阈值 ，
…
，
，
，
分 别 是 ｉ 经 元 对 ， ：… ， 神 ，
通讯作者 ：赵
洁（ ９ ８一） 女 ， 尔滨 人 ， １５ ， 哈 教授 ， 士 生 导师 ， Ｅ— 硕 （
和 数学 模 型 ； 合三 江 平原 地 下 水位 埋 深 的具 体 情 况 ， 立 了 弹 性 Ｂ 综 建 Ｐ神 经 网 络 地 下 水 位 埋 深 预 测 模 型 ， 且 以 而
基于BP神经网络的桂林生态城市建设需水量预测
和战略性的经济资源 ， 在保 障社会经济可持续发展 中具 有不 可替 代 的作 用 ２。需 水 量预测 是水 资源 开 发利用 、 社会 经 济 发 展 、 业 布局 的重 要 参 考 指标 ， 产 对 生 态城 市建设 具有 重要 意义 。笔 者结 合桂 林生 态 城 市建 设规 划 ， 桂 林 生 态 城 市建 设 需 水 量 进 行 研 对
信息流
图 １ ＢＰ神 经 网络 结 构
２ ２ Ｐ在 Ｍａ ａ ． Ｂ ｌ ｆ ｂ中的程序 设计
以桂 林市 辖 区统计 数据 为背 景 ， 用 ＳＳ 软 件 采 ＰＳ 进行 需水 量相 关 分 析 ［９， 中选取 相 关 性 、 表 性 ６ 从 － Ｊ 代 好 的 ５ 影 响 因子 （ ２ ： Ｄ 、 口数量 、 镇人 均 个 表 ）Ｇ Ｐ 人 城 可支 配 收 入 、 均 用 水 量 、 元 Ｇ Ｐ用 水 量。 人 万 Ｄ ２ （￣ ２０ ０ ） ０ ９年桂 林 市 辖 区相 关 统计 情 况 见 表 ３ ０ 。５
第 ２ 卷第 ３期 ８
Ｖｏ ． ８ Ｎｏ ３ １２ ．
水
资
源
保
护
２１ ０２年 ５ 月
Ｍａ ０１ ｖ２ ２
Ｗ ＡＴＥＲ ＲＥＳＯＵＲＣＥＳ Ｐｌ ｒ ＣⅡ ０Ｎ Ⅱｌ
Ｄ Ｉ １ ．９ ９ ｊｉ ｎ １０ —９ ３ ２ １ ．３ ０ ９ Ｏ ：０ ３６ ／ ． ｓ ．０ ４６ ３ ．０ ２ ０ ．０ ｓ
ｂ ｓｄ ｏ ａ ｅ ｎ ＢＰ ｕ ａ ｅ ｗｏ ｋ ｎｅ ｒ ｌｎ ｔ ｒ
ＷＥ ｉ－ ｎ ，ＧＵ Ｃ ｕｌ ｉｇ Ｎ Ｊａｍｉｇ ｏ ｈ ｒｑＩ ，Ｕ ｎｊ ｎ Ｌ ｎｂｎ － ｌ Ｘｉ－ａ ， Ｉ ｉ Ｗｅ －ｉ （ ｏ ｅｅｆＥ ｖｏ ｍ ｎａ Ｓｉ ｃ ａ ｄＥ ｇｎｅｎ Ｃ ｌｇ ｎｉ ｎ ｅｔｌ ｃ ｎｅ ｎ ｎ ｉ ｒ ｇ，Ｇ ｉｎＵ ｉ ｍｔ ｏ ｃｎｌ ｙ ｌ ｏ ｒ ｅ ｅｉ ｕｌ ｎ ｅ ｉ Ｔ ｈｏｏ ， ｉ ｖ ｙｆ ｅ ｇ
基于 BP神经网络的煤矿地下水水位预报方法
基于 BP神经网络的煤矿地下水水位预报方法
武晓宏;史恒亮;李占利
【期刊名称】《工矿自动化》
【年(卷),期】2006(000)005
【摘要】煤矿地下水是威胁煤矿安全生产的重要因素之一.文章在阐述BP网络原理和分析地下水水位特点和影响因素的基础上,提出了基于BP神经网络的煤矿地下水水位预报方法,并利用历史数据对该网络进行了训练学习,建立了地下水水位特征模型,可预报未来一个时期地下水水位的变化趋势.实验表明该方法效果良好,相对误差小于2%.
【总页数】3页(P21-23)
【作者】武晓宏;史恒亮;李占利
【作者单位】西安科技大学计算机系,陕西,西安,710054;河南科技大学计算机系,河南,洛阳,471003;西安科技大学计算机系,陕西,西安,710054
【正文语种】中文
【中图分类】TD745;TP183
【相关文献】
1.基于BP神经网络方法的近岸数值海温预报释用技术 [J], 匡晓迪;王兆毅;张苗茵;何恩业;邓小花
2.基于BP神经网络的浙北夏季降尺度降水预报方法的应用 [J], 黎玥君;郭品文
3.基于互信息量与BP神经网络的中长期径流预报方法研究 [J], 卢迪;周惠成
4.基于BP神经网络模型的福建海域赤潮预报方法研究 [J], 苏新红;金丰军;杨奇志;
陈火荣;俞秀霞;李雪丁;郭民权;刘秋凤;罗娟
5.基于BP神经网络的变形预报方法研究 [J], 刘佰莹;周围;夏立福
因版权原因，仅展示原文概要，查看原文内容请购买。
基于遗传 BP神经网络的地下水位预测模型
的开 发利 用与 保护提 供 参考依 据 。
［ 关 键词 ］ 神 经 网络 ； 模型； 遗传 算 法 ； 地 下水位 ； 预 测 ［ 中图分 类 号］ Ｐ ６ ４ １ ． ７ ４ ［ 文献标 识码 ］ Ａ ［ 文章 编号 ］ １ ０ ０ ４—１ １ ８ ４ （ ２ ０ １ ５） Ｏ ３一ｏ ０ １ ９—０ ３
பைடு நூலகம்
Ｇｒ ｏ ｕｎｄｗａ ｔ ｅ ｒ Ｌｅ ｖ ｅ ｌ Ｐｒ ｅ ｄｉ ｃ ｔ ｉ ｏ ｎ Ｍ ｏ ｄｅ ｌ ｂａ ｓ ｅ ｄ ｏ ｎ Ｇｅ ｎ ｅ ｔ ｉ ｃ ＢＰ Ｎｅ ｕｒ ａ ｌ Ｎｅ ｔ ｗｏ ｒ ｋ
ＸＵ Ｊ ｊ
（ Ｘ ｉ ￣ｉ ａ ｎ ｇ ｗ ａ ｔ ｅ ｒ ｃ ｏ ｎ ｓ ｅ ｒ ｖ ａ ｎ ｃ ｙ ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ｅ ｘ ｔ ｅ ｎ ｓ ｉ ｏ ｎ ｓ ｔ ａ ｔ ｉ ｏ ｎ ，Ｕ ｒ ｕ ｍｑ ｉ ８ ３ ０ ０ ０ ０， Ｘ ｉ ￣ｉ ａ ｎ ｇ ）
ｎ ｅ ｔ ｗｏ ｒ ｋ ｍｏ ｄ ｅ ｌ ｃ ａ ｎ ｂ ｅ ｔ ｔ ｅ ｒ ｅ ｘ ｐ ｒ ｅ ｓ ｓ ｔ ｈ ｅ ｎ ｏ ｎ ｌ ｉ ｎ ｅ ａ ｒ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｂ ｅ ｔ ｗｅ ｅ ｎ ｇ ｒ ｏ ｕ ｎ ｄ ｗａ ｔ ｅ ｒ ｌ ｅ ｖ ｅ ｌ ａ ｎ ｄ ｔ ｈ ｅ ｍａ ｉ ｎ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ｆ ａ ｃ ｔ ｏ ｒ ｓ ，ｔ ｈ ｅ ｍｅ ａ ｎ ａ ｂ ｓ ｏ － ｌ ｕ ｔ ｅ ｐ ｅ ｒ ｃ ｅ ｎ ｔ ａ ｇ ｅ ｅ ｒｏ ｒ ｂ ｅ ｔ ｗｅ ｅ ｎ ｔ ｈ ｅ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｅ ｄ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ａ ｎ ｄ ｔ ｈ ｅ ｍｅ ａ ｓ ｕ ｒ ｅ ｄ ｖ ａ ｌ ｕ ｅ ｉ ｓ ０． ０ ４ ０ ３，ｔ ｈ ｅ ｔ ｅ ｓ ｔ ｓ ａ ｍｐ ｌ ｅ ｎ ｅ ｔ ｗｏ ｒ ｋ ｏ ｕ ｔ ｐ ｕ ｔ ｖ ａ ｌ ｕ ｅ ｏ ｆ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
61 08
0 683
备注
拟合: 降水量、大陈闸水 位、开采量均为实测值
10
时间 年- 月
2000- 06 2000- 07 2000- 08 2000- 09 2000- 10 2000- 11 2000- 12 2001- 01 2001- 02 2001- 03 2001- 04 2001- 05 2001- 06 2001- 07 2001- 08 2001- 09 2001- 10 2001- 11 2001- 12
须对影响地下水水位的各种因素作一分析说
明, 例如对地下水的补给来源、排泄方式要清
楚。选取主要的影响因素并对其数据归一化
处理, 即可作为神经网络的输入分量, 地下水
水位作为神经网络的输出量, 然后开始实验。
实验采用 C 语言编制的 BP 网络程序, 选用 某水源地的地下水水位变化资料进行。地下
水水位主要与以下几个因素有关: 降水量、生
2001 年第 4 期
勘察科学技术
7
基于 BP 神经网络的地下水水位预测*
赵延涛 姜宝良
( 河南省工程水文地质勘察院 郑州市 450052)
提要 基于 BP 网络模型, 对地下水水位变化规律进行了定量预测。网络模型由三层构 成: 输 入 层、隐含层、输出层。节点单元以及各层间的连接强度决定了 BP 网络的执行 情况。实验结果 表 明, BP 神经网络是一种较为有效的 预测方法。 关键词 BP 神经网络 地下水水位 预测
分别用训练后的 BP 网络模型和逐步回 归模型预测了 2000 年 12 月至 2001 年 12 月
生产井平均静水位。 从表 1 可以看出, 两种方法的预测值与
实测值比较接近, 有较好的一致性。实例表 明, BP 神经网络直接利用大量已知的数据, 通过学习这些数据内在的联系, 建立输入与 输出之间的关系, 从而对新的输入进行预测 和判断, 建模精度较高。BP 网络预测的优点 是: 在预报过程中, 不需要进行事后人为的定 性分析与判断。
61 51
62 03
60 66
61 64
59 02
61 93
60 60
64 55
64 75
67 00
66 95
65 05
65 07
67 31
67 61
66 04
66 22
65 90
66 09
备注
预测: 降水量、大陈闸水 位、开采量均为实测值
预 测: 根 据区 域降 水量 变 化规律, 2001 年 应为 平 水年, 所以 降水 量和 大陈闸水位选用平水年 的 实测 值, 开 采量 选用 2000 年 作 为 现 状 开 采 量进行预测
BP 网络由输入层、隐含层、输出层组成 ( 见图 1) , 输入 层和输出层的单元数是由具 体问题的 输入层参数和 输出层参数 来确定 的, 而隐含层的单元数则由具体问题的复杂 程度、误差下降情况等来确定。
图 1 BP 网络模型
BP 网络间连接权( W1 、W2 ) 在网络的学 习中不断得到修正, 使输入层与隐含层之间、 隐含层与输出层之间的两组权所构成的网络 能实现学习样本中输入矢量与输出矢量间特 定的映射关系, 权的分布体现了各输入分量 在输入矢量中所占特征强度的分布。
PREDICTION OF GROUNDWATER LEVEL VARIATION BASED ON THE BP NEURAL NETWORK
Zhao Yantao Jiang Baoliang ( Engineering Geology & Hydrogeology Investigat ion & Surveying Institut e, Henan Province)
1 引言
地下水水位因受降水、开采、蒸发等多种 因素制约, 在时序上常表现出复杂的非线性 特征, 一般用非线性模型来描述。非线性模 型的参数识别问题至今仍是研究的热点和难 点, 现有的方法大致可分为如下两类: 一是采 用线性变换, 再用线性回归方法估计模型的 参数, 然后经逆变换求出原模型的参数, 显然 它不能保证所估计参数对原模型而言是最佳 的; 二是采用常规的非线性优化方法, 如求导 法、复合形法等确定性非线性优化方法, 它们 属于单路径搜索, 在实用中往往存在局部优 化问题, 比如随机性优化方法, 计算量大且属 盲目寻优, 其有效性也是低的[ 5] 。
0 299
67 88
ห้องสมุดไป่ตู้
0 318
68 39
0 426
67 14
0 561
67 37
0 222
67 07
0 266
67 32
0 104
65 91
1 128
66 10
0 840
66 19
0 236
66 41
0 090
65 91
0 044
66 01
0 106
66 48
0 791
66 63
1 016
62 28
4 结束语
本文对 BP 网络预报模型及其训练进行 了初步研究, 模型及其算法有待于在实践中 通过各种不同的问题和算例进一步得到检验 和完善。实际应用表明, BP 网络模型具有较 高的精度, 而且适用条件也比较宽, 线性、非 线性的问题都可以处理, 这为今后的城市地 下水水位的定量预报提供了一种新的方法。
时间 年- 月
1999- 11 1999- 12 2000- 01 2000- 02 2000- 03 2000- 04 2000- 05
表 1 BP 网络模型与逐步 回归模型拟合、预测对比
水位 实测值
m
BP 网络模型
预测结果 m
相对误差 %
回归方程
预测结果 m
相对误差 %
63 80
63 34
0 721
Abstract Groundwater level variation has been quant it atively predict ed based on the BP neural network model. The network model consists of three layers: the input layer, t he hidden layer, and the output layer. The nodes and the connect ivity strength between the layers determine the performance of the BP neural network. The experimental result shows t hat the BP neural network is an effective method for groundwater level prediction. Keywords BP neural network; groundwater level; prediction
BP 网络 的算 法步 骤可归 纳如 下: 初始 化, 选定 结构合理的 网络, 置所有可 调参数 ( 权和阈值) 为均匀分布的较小数值; 对每个 输入样本作前向计算、反向计算和权值修正; 输入新的样本, 直到误差达到预定要求, 训练 时各周期样本的输入顺序要重新随机排序。
3 实验与分析
3 1 实验数据的选取 用 BP 网络进 行地下水 水位预测 前, 必
况来确定。选用 1999 年 11 月至 2000 年 11 月
2001 年第 4 期
勘察科学技术
9
图 2 生产井平均静水位 、降水量、生产井开采量、大陈闸水位动态曲线
逐月观测数值共 13 个样本, 对网络模型进行 训练。训练结果表明, 当中间隐含层单元个 数为三时, 网络模 型可获得 较理想的 结果。 这样就形成了由三个输入单元对应于上月降 水量、生产井当月开采量、大陈闸当月水位, 三个中间隐含层单元, 一个输出单元对应于 生产井平均静水位组成的三层网络模型。 3 4 预测对比
本文以地下水水位动态变化为背景, 结合 人工神经网络、模式识别技术, 对地下水水位 变化情况进行模式分类及识别, 基于 BP 神经 网络对某水源地的地下水水位进行了预测。
2 方法简介
神经网络是人们在模仿人脑处理问题的 过程中发展起来的一种新型智能信息处理理 论, 它通过大量的称为神经元的简单处理单
8
H 闸 第 i 月大陈闸水位, m。 i
回归方程的复相关系数 R= 0. 971, 剩余
标准差 Sy = 0 365。
3 3 网络模型的建立 选择上月降水量、生产井当月开采量、大
陈闸当月水位作 为 BP 网络的 输入量, 生产
井平均静水位作为输出量。该网络模型的中
间隐含层单元数由实际计算时的误差下降情
方程:
H 静 = 18 72192 + ( - 1 646911 10- 4 ) Q 开 +
i
i
( 8 722665 10- 3 ) Pi- 1 + ( 0. 6684919) H 闸 i
式中 H 静 i
第 i 月静水位回归值, m;
Q 开 第 i 月水源地生产井开采量, i
m3 / d;
Pi - 1 第 i - 1 月降水量, mm;
63 77
0 047
63 35
62 88
0 739
63 21
0 221
63 55
63 78
0 360
64 22
1 054
63 17
62 88
0 457
63 17
0 000
63 12
63 15
0 051
63 25
0 206
62 41
62 65
0 386
62 51