人工神經(jīng)網(wǎng)絡(luò)模論文范文

本站小編為你精心準(zhǔn)備了人工神經(jīng)網(wǎng)絡(luò)模論文參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

1數(shù)據(jù)

1.1GPS臺(tái)站數(shù)據(jù)GPS時(shí)間序列由中國地殼運(yùn)動(dòng)觀測網(wǎng)絡(luò)提供［10］，這些GPS站在解算過程中扣除了固體潮、海潮、極潮的影響．本文選取的是華北平原區(qū)域內(nèi)BJFS、BJSH、JIXN、TAIN、ZHNZ臺(tái)站的數(shù)據(jù)，為了得到更理想的GPS時(shí)間序列數(shù)據(jù)，本文對(duì)這72個(gè)月的GPS數(shù)據(jù)進(jìn)行預(yù)處理工作，包括:線性擬合去除趨勢項(xiàng)、剔除噪聲數(shù)據(jù)以及小波分解保留長周期信號(hào)［11］．

1.2GRACE數(shù)據(jù)本文采用的GRACE重力衛(wèi)星數(shù)據(jù)是由美國德克薩斯大學(xué)空間研究中心提供的高精度Level-2RL05版本的GRACE重力場前60階球諧系數(shù)(2005年1月～2010年12月)［12］．在此基礎(chǔ)上，根據(jù)Blewitt［13，14］、Wahr［15］的結(jié)果推導(dǎo)由GRACE時(shí)變重力資料解算的陸地水儲(chǔ)量，如公式(1)所示。

1.3CPC水文模型數(shù)據(jù)研究表明，地表水儲(chǔ)量可以忽略［7］，所以研究區(qū)陸地水儲(chǔ)量變化可以用式(2)表示。示土壤水分引起的陸地水儲(chǔ)量變化，來自CPC水文模型．通過式(2)可獲得地下水儲(chǔ)量的變化值．以BJFS臺(tái)站為例，如圖1所示，綠色線表示GRACE解算的陸地水儲(chǔ)量，紅色線表示CPC水文模型解算的土壤水儲(chǔ)量，藍(lán)色線為地下水儲(chǔ)量．由于GRACE解算的陸地水儲(chǔ)量在解算過程中扣除了背景場的影響，因此本文對(duì)72個(gè)月的降水量、地下水埋深以及GPS測站的地表形變數(shù)據(jù)做同樣的處理．

2研究方法

2.1人工神經(jīng)網(wǎng)絡(luò)算法原理BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)前向傳遞，誤差反向傳遞．在前向傳遞過程中，輸入信號(hào)從輸入層經(jīng)隱含層逐層處理，直至輸出層．每一層的神經(jīng)元狀態(tài)只影響到下一層神經(jīng)元狀態(tài)．若輸出層不能滿足期望的輸出要求，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使得BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出［16］．其拓?fù)浣Y(jié)構(gòu)如圖2所示．X1，X2，…，Xn是BP神經(jīng)網(wǎng)絡(luò)的輸入值，Y1，Y2，…，Ym是BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值，ωij和ωjk為BP神經(jīng)網(wǎng)絡(luò)權(quán)值．

2.2基于BP神經(jīng)網(wǎng)絡(luò)的地表垂直負(fù)荷形變量模擬

2.2.1指標(biāo)選取地表負(fù)荷形變是由地表流體質(zhì)量(包括大氣、陸地水等)重新分布引起的不同尺度變化．因此將GRACE解算的水儲(chǔ)量作為一個(gè)輸入因子．此外，分析華北平原地表負(fù)荷形變的成因，認(rèn)為地下水超采對(duì)該區(qū)的地表負(fù)荷形變有一定影響．為此將地下水埋深作為BP神經(jīng)網(wǎng)絡(luò)模型的一個(gè)輸入因子．降水量與地表負(fù)荷形變量間存在一定關(guān)系，一方面降水的增多會(huì)相對(duì)減少對(duì)地下水的開采，另一方面在降水過程中淺層黏性土吸水后表現(xiàn)出一定的膨脹性，因此將歷年的降水量也作為一個(gè)輸入因素［17］．為了探求不同水儲(chǔ)量作為輸入因子時(shí)模型的模擬精度，本文結(jié)合來自CPC水文模型的土壤水儲(chǔ)量，將解算出的地下水儲(chǔ)量作為另一個(gè)輸入因子．

2.2.2樣本訓(xùn)練與網(wǎng)絡(luò)設(shè)置為消除網(wǎng)絡(luò)輸入、輸出變量的量級(jí)、量綱不同對(duì)網(wǎng)絡(luò)識(shí)別精度的影響，對(duì)各個(gè)變量進(jìn)行歸一化處理。上式中:P為原始輸入數(shù)據(jù)，Pmin，Pmax分別為原始數(shù)據(jù)的最小值和最大值，Pn為歸一化后的數(shù)據(jù)．隱含層采用正切Sigmoid函數(shù)，輸出層采用Purelin函數(shù)，訓(xùn)練函數(shù)采用貝葉斯正則化算法．網(wǎng)絡(luò)的主要參數(shù)訓(xùn)練目標(biāo)goal=0.001，學(xué)習(xí)率為0.05，性能函數(shù)采用msg均方誤差函數(shù)．

3結(jié)果與討論

3.1模型精度驗(yàn)證

3.1.1樣本訓(xùn)練精度運(yùn)行建立的人工神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練21次達(dá)到訓(xùn)練目標(biāo)．R2平均值為0.892，說明模型訓(xùn)練精度較高．如圖3所示為將陸地水儲(chǔ)量作為輸入因子訓(xùn)練網(wǎng)絡(luò)后的5個(gè)臺(tái)站模擬結(jié)果．圖中藍(lán)色線為GPS臺(tái)站的實(shí)際觀測形變量，紅色虛線為用人工神經(jīng)網(wǎng)絡(luò)模擬出來的型變量．

3.1.2模型模擬精度由于地表垂直負(fù)荷形變實(shí)際觀測結(jié)果與擬合結(jié)果均為等間隔的月尺度數(shù)據(jù)且沒有明顯規(guī)律，因此采取后驗(yàn)差檢驗(yàn)法對(duì)模型進(jìn)行精度分析。采用后驗(yàn)差檢驗(yàn)法對(duì)結(jié)果進(jìn)行精度分析，檢驗(yàn)結(jié)果如表2所示，5個(gè)臺(tái)站后驗(yàn)差比值C＜0.5，小誤差概率P＞0.80，R2平均值為0.806，依據(jù)預(yù)測等級(jí)表，網(wǎng)絡(luò)模型精度較高．

3.2不同水儲(chǔ)量輸入對(duì)精度的影響將不同水儲(chǔ)量輸出的15組模擬結(jié)果進(jìn)行后驗(yàn)差檢驗(yàn)，結(jié)果如表3、圖4(以BJSH為例)所示，當(dāng)以陸地水儲(chǔ)量(TWS)作為輸入時(shí)，5個(gè)臺(tái)站的后驗(yàn)差比值C＜0.5，小誤差概率P＞0.80，R2為0.901，相關(guān)性較好，模型模擬精度較高．當(dāng)以地下水儲(chǔ)量(GWS)和土壤水儲(chǔ)量(SWS)作為輸入時(shí)，均方差C＞0.65，小誤差概率減小，R2為0.555和0.290，模擬精度屬于勉強(qiáng)．說明在利用人工神經(jīng)網(wǎng)絡(luò)模擬地表負(fù)荷形變量時(shí)，陸地水儲(chǔ)量作為模型輸入因子時(shí)模型模擬效果最好，地下水儲(chǔ)量對(duì)地表負(fù)荷形變的影響比土壤水儲(chǔ)量大．

4結(jié)論

(1)本文將GRACE重力衛(wèi)星解算的陸地水儲(chǔ)量作為模型的輸入因子，精度驗(yàn)證表明，5個(gè)臺(tái)站C＜0.5，P＞0.80，R2平均值為0.806，網(wǎng)絡(luò)模型精度較高，說明利用GRACE水儲(chǔ)量作為ANN輸入模擬地表形變量是可行的．(2)不同水儲(chǔ)量模擬結(jié)果精度驗(yàn)證表明，在華北平原，地下水儲(chǔ)量變化對(duì)地表負(fù)荷形變的影響比土壤水儲(chǔ)量大．

作者：楊雪宮輝力潘云李小娟單位：首都師范大學(xué)城市環(huán)境過程與數(shù)字模擬國家重點(diǎn)實(shí)驗(yàn)室培育基地首都師范大學(xué)資源環(huán)境與地理信息系統(tǒng)北京市重點(diǎn)實(shí)驗(yàn)室