改进 BP 神经网络集成模型在径流预测中的应用

摘要：

为提高径流预测预报的精度和泛化能力，建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷，采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt 法分别改进BP神经网络标准算法，依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测，并构建GA-BP预测模型作为对比模型；采用加权平均方法对各单一模型预测结果进行综合集成。结果表明：集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4．67％，最大相对误差绝对值为7．11％，精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点，具有较好的预测精度和泛化能力，是提高径流预测预报精度的有效方法。

关键词：径流、集成模型、BP神经网络、改进算法、加权平均、径流预测

分类号：TV121(水利工程基础科学)

在线出版日期：2014-08-05（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：213-219