以皇甫川流域為研究對象,在分析區(qū)域降雨及來水量對含沙量影響的基礎上,分別構建靜態(tài)倒傳遞神經(jīng)網(wǎng)絡及動態(tài)反饋式神經(jīng)網(wǎng)絡模型推估汛期輸沙過程,并對模型推估結果與誤差進行對比分析。研究結果表明:動靜態(tài)模型對于流域輸沙過程的推估均具有良好的模擬效果,效率系數(shù)均為0.82以上,動態(tài)反饋式神經(jīng)網(wǎng)絡模型的精度略微優(yōu)于靜態(tài)倒傳遞神經(jīng)網(wǎng)絡模型;動態(tài)網(wǎng)絡模型推估沙峰值的效果更好,更加接近于實際觀測沙峰值,推估沙峰誤差最小達到了2%;靜態(tài)網(wǎng)絡模型在擬合退沙階段的效果比動態(tài)網(wǎng)絡模型的效果好。 

【文章來源】：中國農(nóng)村水利水電. 2020,(09)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

皇甫川流域水系

倒傳遞神經(jīng)網(wǎng)絡(BPNN)目前是應用最為廣泛的靜態(tài)神經(jīng)網(wǎng)絡模型。本文構建靜態(tài)神經(jīng)網(wǎng)絡架構的隱含層層數(shù)為1層,利用試錯法率定模型參數(shù),隱含層神經(jīng)元個數(shù)為5個,網(wǎng)絡結構為4-5-1,構建輸沙推估神經(jīng)網(wǎng)絡模型,見圖2。采用matlab中newff函數(shù)構建BP模型,訓練算法為trainlm。動態(tài)神經(jīng)網(wǎng)絡模型RNN,本文以Elman神經(jīng)網(wǎng)絡為例,隱含層層數(shù)為1層,使用試錯法率定出神經(jīng)元個數(shù)為3個,因其具有動態(tài)自記憶的特性,其網(wǎng)絡架構見圖3。圖3 動態(tài)網(wǎng)絡RNN模型架構

動態(tài)網(wǎng)絡RNN模型架構

【參考文獻】：
期刊論文
[1]皇甫川流域1955-2013年水沙變化趨勢與周期特征[J]. 魏艷紅,焦菊英.  水土保持研究. 2017(03)
[2]基于靜態(tài)與動態(tài)神經(jīng)網(wǎng)絡的運河水位預報[J]. 江衍銘,郝偌楠,李楠楠,汪健.  天津大學學報(自然科學與工程技術版). 2017(03)
[3]集合神經(jīng)網(wǎng)絡的洪水預報[J]. 江衍銘,張建全,明焱.  浙江大學學報(工學版). 2016(08)
[4]皇甫川流域水沙變化及驅動因素分析[J]. 慕星,張曉明.  干旱區(qū)研究. 2013(05)
[5]基于誤差修正的BP神經(jīng)網(wǎng)絡含沙量預報模型[J]. 黃清烜,梁忠民,曹炎煦,霍世青,許珂艷.  水力發(fā)電. 2013(01)
[6]登陸臺風站點大風預報的人工神經(jīng)網(wǎng)絡方法[J]. 孫軍波,錢燕珍,陳佩燕,鄭錚,樂益龍.  氣象. 2010(09)
[7]基于人工神經(jīng)網(wǎng)絡的熱帶氣旋路徑預報試驗[J]. 呂慶平,羅堅,朱坤,任景鵬.  廣東氣象. 2009(01)
[8]黃河下游夾河灘站洪水最大含沙量預報研究[J]. 金雙彥,秦毅,李雪梅,徐建華.  泥沙研究. 2008(02)
[9]基于人工神經(jīng)網(wǎng)絡的多泥沙洪水預報[J]. 苑希民,劉樹坤,陳浩.  水科學進展. 1999(04)



本文編號：2999211