第八章水文系统识别技术.ppt
《第八章水文系统识别技术.ppt》由会员分享,可在线阅读,更多相关《第八章水文系统识别技术.ppt(48页珍藏版)》请在三一办公上搜索。
1、第八章水文系统识别技术,水文系统识别的概念,水文系统识别的原理与方法,人工神经网络水文模型及应用,8.1,8.2,8.3,第八章 水文系统识别技术,主要内容,8.4,水文系统识别应用,8.1 水文系统识别的概念,8.1.1 水文系统的概念,水文系统是地球大气圈环境内由相互作用和相互依赖的若干水文要素组成的具有水循环(演变和转换)功能的整体。,系统的特性可以从不同的方面加以分类,主要有线性与非线性、时变与非时变、集总参数与分散参数、确定性与不确定性等。,8.1.2 水文系统识别的概念与数学描述,水文系统识别是依据水文系统的输入输出 和其他水文信息,在指定的水文模型集 中确定出一个具体的模型M,它
2、在数学上与原型的实际观测数据和概念相符合,即,条件,(8.1.1),目标,(8.1.2),要求,(8.1.3),式中,代表水文模型与原型间的误差向量;E代表水文过程模拟的目标函数;代表度量误差“距离”的某种范数;D0代表水文模型的可行域。,8.1.3 水文系统识别的一般程序,水文系统识别的一般程序如下:,首先依据研究的问题(水文分析、预报,水库调度,水资源评价等),由水文学原理和系统方法确定模型类。然后,选择适当的系统识别准则,利用可以观测到的原型信息(即水文资料)去估计模型中的未知部分,并作出必要的检验。最后应用于实际或反馈作再次改进。,8.1.4 水文模型类,按照不同的研究方法和途径,水文
3、模型类可以划分为两大类,即系统理论模型和概念性流域水文模型。,系统理论模型主要涉及到建立系统输入输出关系的数学模型,它通常用描述水文过程的泛函或算子方程来表示。,概念性流域水文模型将流域内的结构设想为有水文逻辑关系的元素排列,其中各元素有一定的物理概念(或经验关系),再根据一定的原理(如水量平衡原理)来建立起来的水文模型。,8.1.5 水文系统识别的分类,8.1.5.1 完全识别和部分识别,按系统识别的程度,可以分为“完全识别”和“部分识别”。若水文系统建模既有结构识别又有参数估计,称为“完全识别”。例如,系统理论模型的确定等。若系统结构验前作了设定,仅有参数估计,即为“部分识别”。例如,概念
4、性降雨径流模型的确定等。,8.1.5.2 确定性识别和不确定性识别,按识别系统的性质,可分为“确定性识别”和“不确定性识别”。“确定性识别”,就是系统的输入和输出关系完全对应,系统的动态变化过程仅取决于初始条件、边界条件和系统输入,即系统输入、输出以及系统结构和变化过程都是确定的。反之,则为“不确定性识别”。,8.1.5.3 显示模型识别和隐式模型识别,按照系统识别所建模型的数学结构形式,可以区分为“显式模型识别”和“隐式模型识别”。显式是“显结构”的简称。,如果模型的输出相对于待定系数是线性的,称为“显示”关系;如果模型输出相对于待定系数是非线性的,则称为“隐式”关系。,8.2水文系统识别的
5、原理与方法,8.2.1 水文系统识别的误差准则,水文系统识别的误差准则通常是使误差泛函数(或范数)E取最小值。比如,最小二乘准则是:,(8.2.1),式中,;是定义在区间0,T上的函数,8.2.2 水文系统识别的基本原则,水文系统识别的基本原则可概括为:,建模的目的要明确,并且是可以识别的;识别的技术方法应有效可行;识别的结果要分析和检验。,8.2.3 水文系统识别最优估计方法,水文系统识别大多数涉及到数学上的模型最优化问题。关于求解模型最优化问题的方法有多种,其中水文学中常用的有最小二乘法、最速下降法等。最小二乘估计方法是水文系统识别中最常用的方法,见第七章介绍。,8.3人工神经网络(ANN
6、)水文模型及应用,8.3.1 人工神经网络(ANN)简介,人工神经网络(简称 ANN,是Artificial Nerve Network的缩写),就是采用物理可实现的系统来模仿人脑神经细胞的结构和功能的整体。美国神经学家Hecht Nielsen给出如下定义:神经网络是由多个非常简单的处理单元按某种方式相互连接而形成的计算系统,该系统是靠其状态对外部输入信息的动态响应来处理信息的。,人工神经网络的特点主要有:,人工神经网络具有并行结构和并行处理特点。人工神经网络具有很强的容错性。人工神经网络的信息是分布存储的。人工神经网络具有很强的自适应性。人工神经网络是一个大型非线性动力系统,可以充分考虑系
7、统的非线性特征。,8.3.2 人工神经网络(ANN)模型常用算法,人工神经网络模型和算法种类很多,在这里,主要介绍一种由非线性变换单元组成的前馈网络,简称B-P网络,这也是目前众多的ANN模型中应用最为广泛的模型之一。下面将主要对这一网络进行描述。,B-P网络结构示意图,B-P网络的变换为一个非线性函数,即输入与输出满足非线性单调上升,函数f(u)的图形如下图所示。对于多层的网络,这种f(u)函数所划分的区域不是线性划分,而是由一个非线性超平面组成的区域,它是比较柔和、光滑的任意界面,因而它的分类比线性划分更精确、合理,这种网络的容错性也更好。,输入、输出非线性函数,B-P网络的数学表达式为,
8、(8.3.1),式中 输入因子;输出因子;连接权;阈值;激发函数;状态函数;输入层神经元编号;输出层神经元编号。,B-P网络学习过程分为两个阶段,即信息的前向传播过程和误差的反向学习过程。外部输入的信号经输入层、隐含层的神经元逐层处理,向前传播到输出层,输出结果。误差的反向学习过程则是指,如果输出层的输出值与样本的期望值有误差,则该误差沿原来的连接通路反向传播,通过修改各层神经元的权值和阈值,使得误差变小,经反复优化,当误差值小于允许误差值时,网络的训练过程即可结束。,8.3.3 ANN与水文系统识别的联系,根据ANN的上述特点,可以看出,ANN与水文系统识别有着密切的联系。从概念上看,水文系
9、统识别就是利用观测数据和先验知识,建立系统的数学模型,估计参数,从而掌握客观水文规律,预报未来水文特征变化趋势。而ANN的典型应用之一就是让系统本身通过大量的学习来掌握非常复杂和细致的各种合乎规律(包括非线性)的联系,从而建立输入输出的复杂关系(也包括模型结构和模型参数),再利用建立的模型来预报未来水文特征变化趋势。因此,ANN可以作为一种复杂的系统识别方法,用于水文系统。,8.3.4 应用举例ANN在水文生态模型建立中的应用,由于水文-生态系统输入、输出关系的复杂性,要建立较简单的数学模型一般比较勉强。为了解决这一问题,作者将人工神经网络模型方法引进到水文-生态系统建模中。该方法的特点是:,
10、可描述水文-生态系统复杂的非线性关系;模型建立主要依赖于资料,不需要单个实验和识别参数;模型有很强的学习功能,当系统环境发生变化时,只需输入新的资料让模型再学习即可很快跟踪系统的变化,可操作性强;可以预测未来当输入因子发生变化时水文-生态系统输出因子的变化趋势。,博斯腾湖水文-生态系统输入因子、输出因子关系图,根据学习训练得到的“模式”进行预测计算,分析模型可靠性。现选择19931997年共5组原始数据进行预测计算。,根据实际情况,先选择19651969年和19811992年共17组数据让ANN模型进行学习训练。,模型计算值与实际值对比曲线模型预测值与实际值对比曲线如下图所示,芦苇面积ANN模
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 第八 水文 系统 识别 技术
![提示](https://www.31ppt.com/images/bang_tan.gif)
链接地址:https://www.31ppt.com/p-5328050.html