![e138948b7e6bea17469d688f7ba54215.png](https://i-blog.csdnimg.cn/blog_migrate/68192339f9a03e10e4782de6651a683d.png)
作者:
H. Yonaba: Ph.D. Candidate, Dept. of Civil Engineering, Université Laval.
F . Anctil: Professor, Dept. of Civil Engineering, Université Laval.
V. Fortin: Researcher, Environment Canada, Canadian Meteorological .
刊物/日期:Journal of Hydrologic Engineering/2010
![e138948b7e6bea17469d688f7ba54215.png](https://i-blog.csdnimg.cn/blog_migrate/68192339f9a03e10e4782de6651a683d.png)
![e138948b7e6bea17469d688f7ba54215.png](https://i-blog.csdnimg.cn/blog_migrate/68192339f9a03e10e4782de6651a683d.png)
研究背景
目前水文学家对神经网络在水文领域的应用越来越广泛。尽管人们声称它们具有多功能性和通用性,但关于它们用处的争论仍在继续。神经网络目前尚未解决的主要问题之一是如何最好地实现它们之间的一致性,这也就关系到了其中传递函数选择的问题。为了得到更好的流量预测性能。我们对三个非线性传递函数进行了测试。(切线sigmoid, 双极sigmoid,Elliott sigmoid。)
研究方法
确保在此测试的传递函数的结果尽可能通用。表1中列出的五条河流来自不同的水文气候区,它们分别产生不同的径流水文特性。但是所有的流量集中时间都是3-4天(图1)。选择在4-5-1 MLP模型中进行迭代,以预测未来1至5天的径流(Q1-Q5)。采用Levenberg-MarQuardt反向传播算法作为校正过程,目标函数是观测和估计水质参数之间的误差平方和和神经网络权值的平方和的加权和。
本文运用了6种不同的4-5-1MLP模型在其隐藏层和输出层(表2)中使用各种传递函数进行了实验。tangent sigmoid、bipolar和Elliott传递函数首先在隐层中沿着输出层中的线性函数进行测试。接下来测试输出层中非线性传递函数的使用。这些4-5-1 MLP经过迭代和测试,流量预测提前期从1天到5天不等。在所有情况下,校准了50个MLP。
表1.所研究流域的基本特征
图1:(a)Kavi、(b)Leaf、(c)Volpajola、(d)San Juan和(e)Serein河的日平均、最大和最小流量观测。径流量以毫米/天表示。
表2.在隐藏层和输出层测试的传递函数组合
研究结果
通过四个性能指标进行评估,纳什和苏克利夫效率指数(CR1)、纳什-苏特克利夫效率指数根据平方根变换的流量(CR2)、绝对误差标准(CR3)、水量平衡标准(CR4)。结果显示了所有六种MLP的训练和测试以及1-5天提前期的所有四个性能标准的平均值(表3)。在1天的提前期中CR1值大于0.9证实所有的MLP都充分模拟了降雨-径流过程。在大多数情况下,CR2值略好于CR1值,说明MLP在低流量条件下表现良好。CR3值低于其他三个。CR4值接近1,这表明MLP非常重视水量平衡。如预期的那样,对于集中时间为3天的流域,预测性能随着提前期的增加而降低。只有CR4几乎没有表现出性能随着预测提前期的增加而恶化的迹象。
表3.六种MLP的平均性能
研究结论
基于隐藏层中使用的三种不同非线性传递函数以及输出层中使用的相同非线性传递函数或线性传递函数的六种MLP体系结构在五个流域中运用。通过五个前置时间内的平均结果线性传递函数适用于输出层——在输出层使用非线性传递函数未能提高性能值。同样的结果也证实切线Sigmoid是比双极Sigmoid和Elliott Sigmoid更适合用来进行径流预报传递函数。
![e138948b7e6bea17469d688f7ba54215.png](https://i-blog.csdnimg.cn/blog_migrate/68192339f9a03e10e4782de6651a683d.png)
原文链接
https://doi.org/10.1061/(ASCE)HE.1943-5584.0000188
![235ca7415242c77b7d98c95ea3781a68.png](https://i-blog.csdnimg.cn/blog_migrate/442a39974d828eb9058e1241fcfe8041.png)
你在看这篇文章吗?