本低、预警信息准确等优点，具有很好的市 场前景和应用价值。
【附图说明】
[0059] 图1为本发明的城市洪水预警系统工作原理图；
[0060] 图2为本发明的城市洪水预警方法工作流程图；
[0061] 图3为本发明的基于径向基函数神经网络模型的结构示意图。
【具体实施方式】
[0062] 为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合
【具体实施方式】，进一步阐述本发明。
[0063] 参见图1，本发明的一种基于径向基函数神经网络模型的城市洪水预警系统包括 数据采集终端、监控中心服务器和客户端。
[0064] 数据采集终端包括传感器模块、微控制器及网络接口。传感器模块包括超声波测 距传感器和水位传感器。超声波测距传感器安装在城市路灯杆上，用于测量城市道路积水 情况，水位传感器安装在城市河道、涵洞以及桥梁底部等处，用于测量城市河道水位、涵洞 内水位及桥洞等低洼处水位信息。
[0065] 将城市按地理位置划分不同的区域，每个区域设置一处数据采集终端设备，负责 收集该区域的超声波测距传感器、水位传感器测量的数据，将采集后的相关数据通过网络 (包括有线和无线两种方式，互为备用）传送到监控中心服务器。
[0066] 监控中心服务器包括服务器数据库、服务器主机和服务器通信模块，服务器数据 库、服务器主机和服务器通信模块依次顺序连接；网络接口与服务器通信模块相连接。监控 中心服务器接收到城市各个区域数据采集终端发送的数据后，利用径向基函数神经网络模 型对城市洪水情况进行自主识别和自主判断，将相关数据进行存储。并将洪水预警信息发 送至客户端：包括计算机和移动终端。
[0067] 客户端通过网络（包括有线和无线两种方式，互为备用）与监控中心服务器进行 互联，监控中心可以向客户端主动发送相关城市洪水信息，客户端也可以通过自主访问监 控中心服务器，进行相关信息的查询等。
[0068] 参见图2,本发明的基于径向基函数神经网络模型的城市洪水预警方法，具体包括 以下几个步骤：
[0069] S01、根据各城市历史水文数据建立径向基函数神经网络模型；
[0070] S02、超声波测距传感器和水位传感器定时采集城市道路积水信息以及城市河道、 涵洞水位信息，并发送至其所在区域的数据采集终端；
[0071] S03、数据采集终端使用微控制器对所采集到数据进行滤波、去噪；
[0072] S04、各区域数据采集终端将处理后的数据包通过网络接口发送给监控中心服务 器；
[0073] S05、监控中心服务器接收来自数据采集终端发送的数据，利用径向基函数神经网 络模型对数据进行智能分析、判断；对城市洪水进行预测、预警；
[0074] S06、监控中心服务器将监控数据及分析结果进行存储，并根据限定的存储时间间 隔对数据库进行更新，最后利用数据库中的数据重新训练径向基函数神经网络模型；
[0075] S07、监控中心服务器将城市洪水预报情况分析结果向客户端进行发布，用户客户 端也可以通过网络访问监控中心服务器，进行城市洪水情况查询。
[0076] 步骤S01具体包括以下几个步骤：
[0077] (S011)、使用径向基函数神经网络作为本系统的神经网络模型，选择高斯函数作 为径向基函数
I|x-c」I2为X和C4勺欧式距 离。X为系统输入矩阵，Ci为第i个径向基函数单元的中心，widthi为第i个径向基函数单 元的半径。
[0078] (S012)、使用亲和传播聚类算法求出径向基函数的中心q和半径width 步骤如 下：
[0079] ①、初始化。设置最大迭代次数η和阻尼系数lam。
[0080] ②、计算吸引度r(1，m)和归属度a(l,m)。r(1，m)表示m点是否适合作为1点的 聚类中心，a(i,m)表示1点是否选择m点作为其聚类中心。r(1，m)和a(l,m)的计算公式 如下：
[0081] r(l,m) =S(1,m)-max{a(1,j)+S(l,j)},j= 1, 2, 3···,Ν,j^m
[0084] S(l，m)，该矩阵表示1点和1点所在聚类的聚类中心点m点的相似度。使用负欧 式距离的平方来计算相似度：S(1,m) = - |Il-m| |2。
[0085] ③、更新r(1,m)和a(l,m)。
[0086] r(l,m) = (1-lam)Xr(1,m)+lamXr(1-1,m)
[0087] a(1，m) = (1-lam)Xa(1，m)+lamXa(1-1，m)
[0088] ④、判断a(m，m)+r(m，m)彡0,或者迭代次数大于η。如果条件成立跳入⑤，否则跳 入②。
[0089] ⑤、记录聚类的结果。统计聚类中心的个数NQ、聚类中心q。计算半径width;。 其公式如下：
[0091] 其中NQ为第i个聚类中心点的个数，q]表示聚类中心的第j点。
[0092] (S013)、使用极限学习机优化径向基函数神经网络。极限学习机的系数矩阵表示 为：
[0094] 其中c为步骤S012的聚类中心；X为系统输入。根据公式β=H+T求出径向基函 数神经网络隐含层的权值，T为系统的输出。至此，本系统的径向基函数神经网络模型的已 经构建出来（参见图3)。
[0095] 步骤S02具体包括以下几个步骤：
[0096] S021、超声波测距传感器安装在城市路灯杆上，用于测量城市道路积水情况，具体 方法为根据超声波测得与路面距离的变化量就是城市道路的积水高度；
[0097] S022、水位传感器安装在城市河道、涵洞以及桥梁底部等处，用于测量城市河道水 位、涵洞内水位及桥洞等低洼处水位信息；
[0098] S023、各传感器通过网络（包含有线网络或者无线网络）与区域数据采集终端进 行通讯，传送数据；
[0099] 步骤S03中，使用卡尔曼算法对数据进行滤波，具体包括以下几个步骤：
[0100] ①、计算预测估计值和预测均方估计误差
[0103] 其中为系统k-Ι次的状态变量，为系统k-Ι次的均方估计误差；A、B为 系统的系数矩阵；Dw为过程噪声《^的方差；u为系统状态变量。
[0104] ②、计算卡尔曼增益Lk:
[0106] 其中C为系统系数矩阵，Dv为过程噪声v^勺方差。
[0107] ③、计算状态变量和均方估计误差$:
[oho] %;就是传感器采集的数据经过系统滤波之后的值。Yk为系统观测变量。
[0111] 步骤S04的数据包包括采集设备所在的位置信息、数据采集的时间以及采集的道 路积水信息、城市河道及涵洞等处的水位信息。
[0112] 步骤S05具体包括以下几个步骤：
[0113] S051、监控中心服务器对设备采集的数据进行减少冗余的操作，得到数据样本。为 了能够剔除建模数据样本中的冗余部分，计算数据间的相似度：
[0115] 其中，Xl，X]为接收到的设备检测数据，Ru表示第i个数据和第j个数据之间的相 似度，这里的i，j均为正整数。11*|I表示是矩阵的2-范数，δ是归一化的参数。如果两 个数据之间的相似度大于50%，则剔除其中的一个冗余数据。当设备检测数据中的冗 余数据被剔除后，就得到了建模数据样本。
[0116] S052、将发送来的监测水位信息作为径向基函数神经网络的输入，经过神经网络 的识别之后，输出是否发出报警信息以及洪水报警等级等信息。
[0117] 步骤S06具体包括以下几个步骤：
[0118] S061、如果监控中心服务器对城市洪水预警等级进行了识别，监控中心服务器对 建模数据样本进行更新。数据采集终端发送的一个数据集，通过上述步骤进行成功识别，则 将该数据集添加到建模数据样本xkeRm(k= 1，2,，. . .q)中。
[0119] S062、利用新的数据集重新训练神经网络。
[0120] ①、使用亲和传播聚类算法重新计算径向基函数的中心q和半径width
[0121] ②、使用极限学习机计算隐含层的权值，得到优化后径向基函数神经网络模型。
[0122] 步骤S07中，监控中心服务器向客户端发布信息，可以通过有线和无线两种方式； 监控中心服务器发送