SOM RBF 神经网络模型在地下水位预测中的应用

摘要：

利用自组织映射(SOM)聚类模型优化径向基函数神经网络(RBFN)隐层节点的方法,减小了RBFN 由于自身结构问题在地下水水位预测中产生的误差。采用 SOM 对已有样本进行聚类,利用聚类后的二维分布图确定隐层节点的数目,并根据聚类结果计算径向基函数的宽度,确定径向基函数的中心,由此建立 SOM RBFN 模型。以吉林市丰满区二道乡为例,采用20002009年观测的地下水位动态资料,利用 SOM RBFN 模型对地下水位进行预测,验证其准确性,并分别以5、7、10 a 的地下水位动态数据为研究样本建立模型,考查样本数量对预测结果的影响。研究结果表明：SOM RBFN 模型预测地下水水位过程中,均方根误差(RMSE)的均值为0.43,有效系数(CE )的均值为0.52,均达到较高标准,因此 SOM RBFN 模型可以作为有效而准确的地下水水位预测方法；同时 RBF7的 RMSE 和 CE 均值分别为0.38和0.68,结果优于 RBF5和 RBF10,这就意味着在模型计算中样本数量不会直接影响预测结果的精度。

关键词：地下水位预测、SOM、RBF、神经网络

分类号：P641(水文地质学与工程地质学)

资助基金：吉林省科技引导项目20080543;高等学校博士学科点专项科研基金项目200801830044;教育部国家潜在油气资源项目OSR 0107

在线出版日期：2015-02-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：225-231