前言：寻找写作灵感？中文期刊网用心挑选的灰色径向基神经网络技术应用，希望能为您的阅读和创作带来灵感，欢迎大家阅读并分享。
［摘要］
分析清河水库中长期水文预报状况、历史资料，提出预报单位年的概念，采取灰色关联度方法选取适当的年份作为典型年，采用径向基神经网络技术，构建清河水库中长期水文预报新模型，并开发了基于VB的中长期水文预报系统。通过近3年的应用检验，取得了较好的效果，较大地提高了清河水库中长期水文预报精度。
［关键词］
预报因子；灰色径向基神经网络；水文预报
1清河水库中长期水文预报现状及存在问题
清河水库中长期水文预报工作始于水库建成后的20世纪60年代初，70年代以后有较完整的预报资料，80年代末研制了运行环境为Dos系统的中长期水文预报软件。预报项目包括3—4月春汛来水量预报和6—9月夏汛来水量预报，采用的预报方法主要有历史演变法、周期分析外推法、平稳时间序列外推法、周期分析与平稳序列分析外推法、降雨径流相关法等。各方法预报值有时相差较大，经综合分析后确定一个预报范围，以此预报来水量编制年度控制运用计划。因预报准确性较低，用以指导实际调度运用的价值不大。当今，随着科技的进步与发展，清河水库现运用的中长期水文预报系统已不能适应实际工作需要，主要存在问题：1）预报系统陈旧，与现有计算机系统不相容；2）预报系统功能少，无资料保存和数据库，缺乏图、表统计对比分析；3）预报精度比较低；4）只有传统预报方法，与变化的自然和人为因素影响的气象和流域环境不相协调，适应性较差。
2灰色径向基神经网络技术应用
2.1汛期来水量预报因子的选取
通过对清河水库1961年到2010年的资料进行分析，将上一年10月份至当年9月份划分为一周期进行分析，以此定义为预报单位年。选取汛期上一年10月份到6-9月年5月份这8个月的月来水量作为夏汛预报因子，对6—9月年的夏汛来水量进行预报；选取春汛上一年10月份到当年2月份这5个月的月来水量作为春汛预报因子，对当年的春汛来水量进行预报。
2.2参考典型年份的确定
引入灰色系统中灰色关联度的概念。分别计算需要预报年份春汛之前5个月各月来水量与历年同期来水量之间的关联度和夏汛之前8个月各月来水量与历年同期来水量之间的关联度，关联度越大，即该年来水过程与所需预报年份来水过程相似度越高。再对关联度较高的年份进行分析，选取适当的年份作为典型年供预报参考。
2.3构建清河水库径向基神经网络中长期水文预报模型
人工神经网络是通过模拟人脑的神经处理信息的方式，进行信息并行处理和非线性转换的复杂网络系统。神经网络具有很强大的学习能力，可以比较轻松地实现非线性映射过程，并且具有大规模的计算能力，所以神经网络在计算机和人工智能等领域有着广泛的应用。Matlab软件中提供了神经网络工具箱，含有丰富的神经网络函数。径向神经网络属于前向型神经网络，模型将选取的典型年份的春汛之前5个月来水量设为P1，典型年份春汛来水量设为T1，构建径向基神经网络进行训练，设定误差值为0。输入预报年的预报因子，进行仿真，预报该年春汛来水量；将选取的典型年份的夏汛之前8个月来水量设为P2，典型年份夏汛来水量设为T2，构建径向基神经网络进行训练，设定误差值为0。输入预报年的预报因子，进行仿真，预报该年夏汛来水量。系统优势主要体现在以下几方面：预报方法在原有传统预报方法的基础上，增加了现代预报方法和理论—灰色系统和人工神经网络，构建了灰色径向基神经网络模型；预报径流量的时段由原来的只能预报春汛和夏汛扩充到可以预报逐旬、月及不同时段径流量，更有利于防洪兴利调度；系统预报功能更加完善，操作简单，使用方便，界面直观清晰；预报精度有较大提高。
3对比分析及应用检验
以清河水库1970—2010年夏汛来水量预报为例，分别计算原方法预报值相对误差和新方法预报值相对误差，并进行对比分析。从相对误差平均值可以看出，新方法平均相对误差为78.1%，原方法平均相对误差为130.3%，平均相对误差降低了52.2%；新方法相对误差小于1.000为35年，占统计年数的85%；小于0.500的为25年，占统计年数的61%；小于0.400的为20年，占统计年数的49%；小于0.300的为12年，占统计年数的29%；小于0.200的为6年，占统计年数的15%。而原方法相对误差小于1.000为27年，占统计年数的66%；小于0.500的为17年，占统计年数的41%；小于0.400的为17年，占统计年数的41%；小于0.300的为11年，占统计年数的27%；小于0.200的为6年，占统计年数的15%。从原方法与新方法相对误差总体统计分析可以得出，灰色径向基神经网络中长期水文预报模型在较大程度上提高了清河水库夏汛来水量的预报精度，取得了良好的效果。使水库的预报和优化调度更具科学性，不仅具有重要的理论意义，而且具有更大的社会和经济价值。以2011，2012，2013年作为检验年进行检验，原方法与新方法相对误差分别为：1.852，0.268，0.306和0.419，0.363，0.186，均值分别为0.323和0.819。通过比较可知，该预报模型的预报精度有了明显的提高，有利于水库调度管理，并为以后的输水工程、水电站及辽西北供水工程等提供决策依据。它在很大程度上为清河水库的防汛、抗旱争取了主动权，并取得了良好的工业、农业及防汛等方面的效益。
4结语
1）通过对清河水库历史资料的分析，首次提出了以预报单位年前5个月各月的来水量为春汛预报因子，以预报单位年前8个月各月的来水量为夏汛预报因子。2）引入灰色关联度的概念，计算历年预报因子与所需预报年份之间的关联度，以此确定代表年作为预报依据。3）采用灰色径向基神经网络的方法构建清河水库中长期水文预报模型，并开发了基于VB的中长期水文预报系统。4）经实践应用，系统为清河水库中长期水文预报提供了新的途径，提高了径流量整体预报精度，进而提高调度水平，使水库的预报和优化调度更具科学性，不仅具有重要的理论意义，而且具有更大的社会和经济价值，对于争取防汛、抗旱的主动权，制定科学调度方案，发挥水利设施的安全与经济效益有着重要的作用。
作者：张丽娟 单位：辽宁省供水局
［参考文献］
［1］刘思峰，邓聚龙.GM(1,1)模型的适用范围［J］.系统工程理论与实践.2000，5：121-124.
［2］刘获，周振民.RBF神经网络在径流预报中的应用［J］.华北水利水电学院学报.2007，28（2）：12-14.
［3］刘思峰.灰色系统理论的产生与发展［J］.南京航空航天大学学报.2004，36（2）：267-272.
［4］邓聚龙.灰色系统理论简介［J］.内蒙古电力.1993（3）：51-52.
［5］王阳萍，朱正平.Matlab在RBF径向基神经网络仿真中的应用［J］.甘肃科技.2004，20（10）：54-56