前言：尋找寫作靈感？中文期刊網用心挑選的灰色徑向基神經網絡技術應用，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。
［摘要］
分析清河水庫中長期水文預報狀況、歷史資料，提出預報單位年的概念，采取灰色關聯度方法選取適當的年份作為典型年，采用徑向基神經網絡技術，構建清河水庫中長期水文預報新模型，并開發了基于VB的中長期水文預報系統。通過近3年的應用檢驗，取得了較好的效果，較大地提高了清河水庫中長期水文預報精度。
［關鍵詞］
預報因子；灰色徑向基神經網絡；水文預報
1清河水庫中長期水文預報現狀及存在問題
清河水庫中長期水文預報工作始于水庫建成后的20世紀60年代初，70年代以后有較完整的預報資料，80年代末研制了運行環境為Dos系統的中長期水文預報軟件。預報項目包括3—4月春汛來水量預報和6—9月夏汛來水量預報，采用的預報方法主要有歷史演變法、周期分析外推法、平穩時間序列外推法、周期分析與平穩序列分析外推法、降雨徑流相關法等。各方法預報值有時相差較大，經綜合分析后確定一個預報范圍，以此預報來水量編制年度控制運用計劃。因預報準確性較低，用以指導實際調度運用的價值不大。當今，隨著科技的進步與發展，清河水庫現運用的中長期水文預報系統已不能適應實際工作需要，主要存在問題：1）預報系統陳舊，與現有計算機系統不相容；2）預報系統功能少，無資料保存和數據庫，缺乏圖、表統計對比分析；3）預報精度比較低；4）只有傳統預報方法，與變化的自然和人為因素影響的氣象和流域環境不相協調，適應性較差。
2灰色徑向基神經網絡技術應用
2.1汛期來水量預報因子的選取
通過對清河水庫1961年到2010年的資料進行分析，將上一年10月份至當年9月份劃分為一周期進行分析，以此定義為預報單位年。選取汛期上一年10月份到6-9月年5月份這8個月的月來水量作為夏汛預報因子，對6—9月年的夏汛來水量進行預報；選取春汛上一年10月份到當年2月份這5個月的月來水量作為春汛預報因子，對當年的春汛來水量進行預報。
2.2參考典型年份的確定
引入灰色系統中灰色關聯度的概念。分別計算需要預報年份春汛之前5個月各月來水量與歷年同期來水量之間的關聯度和夏汛之前8個月各月來水量與歷年同期來水量之間的關聯度，關聯度越大，即該年來水過程與所需預報年份來水過程相似度越高。再對關聯度較高的年份進行分析，選取適當的年份作為典型年供預報參考。
2.3構建清河水庫徑向基神經網絡中長期水文預報模型
人工神經網絡是通過模擬人腦的神經處理信息的方式，進行信息并行處理和非線性轉換的復雜網絡系統。神經網絡具有很強大的學習能力，可以比較輕松地實現非線性映射過程，并且具有大規模的計算能力，所以神經網絡在計算機和人工智能等領域有著廣泛的應用。Matlab軟件中提供了神經網絡工具箱，含有豐富的神經網絡函數。徑向神經網絡屬于前向型神經網絡，模型將選取的典型年份的春汛之前5個月來水量設為P1，典型年份春汛來水量設為T1，構建徑向基神經網絡進行訓練，設定誤差值為0。輸入預報年的預報因子，進行仿真，預報該年春汛來水量；將選取的典型年份的夏汛之前8個月來水量設為P2，典型年份夏汛來水量設為T2，構建徑向基神經網絡進行訓練，設定誤差值為0。輸入預報年的預報因子，進行仿真，預報該年夏汛來水量。系統優勢主要體現在以下幾方面：預報方法在原有傳統預報方法的基礎上，增加了現代預報方法和理論—灰色系統和人工神經網絡，構建了灰色徑向基神經網絡模型；預報徑流量的時段由原來的只能預報春汛和夏汛擴充到可以預報逐旬、月及不同時段徑流量，更有利于防洪興利調度；系統預報功能更加完善，操作簡單，使用方便，界面直觀清晰；預報精度有較大提高。
3對比分析及應用檢驗
以清河水庫1970—2010年夏汛來水量預報為例，分別計算原方法預報值相對誤差和新方法預報值相對誤差，并進行對比分析。從相對誤差平均值可以看出，新方法平均相對誤差為78.1%，原方法平均相對誤差為130.3%，平均相對誤差降低了52.2%；新方法相對誤差小于1.000為35年，占統計年數的85%；小于0.500的為25年，占統計年數的61%；小于0.400的為20年，占統計年數的49%；小于0.300的為12年，占統計年數的29%；小于0.200的為6年，占統計年數的15%。而原方法相對誤差小于1.000為27年，占統計年數的66%；小于0.500的為17年，占統計年數的41%；小于0.400的為17年，占統計年數的41%；小于0.300的為11年，占統計年數的27%；小于0.200的為6年，占統計年數的15%。從原方法與新方法相對誤差總體統計分析可以得出，灰色徑向基神經網絡中長期水文預報模型在較大程度上提高了清河水庫夏汛來水量的預報精度，取得了良好的效果。使水庫的預報和優化調度更具科學性，不僅具有重要的理論意義，而且具有更大的社會和經濟價值。以2011，2012，2013年作為檢驗年進行檢驗，原方法與新方法相對誤差分別為：1.852，0.268，0.306和0.419，0.363，0.186，均值分別為0.323和0.819。通過比較可知，該預報模型的預報精度有了明顯的提高，有利于水庫調度管理，并為以后的輸水工程、水電站及遼西北供水工程等提供決策依據。它在很大程度上為清河水庫的防汛、抗旱爭取了主動權，并取得了良好的工業、農業及防汛等方面的效益。
4結語
1）通過對清河水庫歷史資料的分析，首次提出了以預報單位年前5個月各月的來水量為春汛預報因子，以預報單位年前8個月各月的來水量為夏汛預報因子。2）引入灰色關聯度的概念，計算歷年預報因子與所需預報年份之間的關聯度，以此確定代表年作為預報依據。3）采用灰色徑向基神經網絡的方法構建清河水庫中長期水文預報模型，并開發了基于VB的中長期水文預報系統。4）經實踐應用，系統為清河水庫中長期水文預報提供了新的途徑，提高了徑流量整體預報精度，進而提高調度水平，使水庫的預報和優化調度更具科學性，不僅具有重要的理論意義，而且具有更大的社會和經濟價值，對于爭取防汛、抗旱的主動權，制定科學調度方案，發揮水利設施的安全與經濟效益有著重要的作用。
作者：張麗娟 單位：遼寧省供水局
［參考文獻］
［1］劉思峰，鄧聚龍.GM(1,1)模型的適用范圍［J］.系統工程理論與實踐.2000，5：121-124.
［2］劉獲，周振民.RBF神經網絡在徑流預報中的應用［J］.華北水利水電學院學報.2007，28（2）：12-14.
［3］劉思峰.灰色系統理論的產生與發展［J］.南京航空航天大學學報.2004，36（2）：267-272.
［4］鄧聚龍.灰色系統理論簡介［J］.內蒙古電力.1993（3）：51-52.
［5］王陽萍，朱正平.Matlab在RBF徑向基神經網絡仿真中的應用［J］.甘肅科技.2004，20（10）：54-56