科研之友
微信
新浪微博
Facebook
分享链接
摘要
城市内河水位预报对城市内涝风险管理具有重要意义。传统数值模拟模型计算效率较低，且无法实时计算。针对以上问题，提出一种基于Gaussian函数改进BP神经网络的河道水位预报模型，解决了BP神经网络模型预报精度低、在误差平坦区收敛速度慢的问题。该方法利用Gaussian函数改进BP神经网络梯度下降算法，针对模型不同权重与阈值惨数设定不同学习率，对各参数进行针对性优化，能够有效加速BP神经网络模型训练效率；针对模型在误差平坦区收敛速度慢的问题，通过Gaussian函数增大梯度下降算法在误差平坦区的学习率，控制梯度下降算法在误差较大时的学习率，能够有效加速BP神经网络模型在误差平坦区的收敛速度。以福州市晋安区6个河道水位测站为研究对象，构建GA-BP神经网络河道水位预报模型进行城市内河水位预报，并探讨不同降雨输入形式对河道水位预报精度的影响。结果表明：GA-BP神经网络能够有效提升BP神经网络在误差平坦区的收敛速度与模型预报精度，试验集预报纳什效率系数(NSE)均在0.8 以上，能够将预报峰值水位相对误差控制在5%以内，其中降雨以小时降雨量形式输入能够将预报NSE提升至0.9以上。研究表明采用Gaussian函数改进BP神经网络模型能够有效提升模型预报精度，对提升城市河道水位预报具有重要意义。
- 单位
