专利名称：新息递补多层非线性映射神经网络模型需水预测方法
技术领域：
本发明涉及一种水量预测的方法，特别是涉及一种新息递补BP (多层 非线性映射神经网络)模型需水预测方法。
背景技术：
水资源是基础的自然资源，同时又是战略性经济资源。展望未来，水 资源正日益影响全球的环境与发展。探讨21世纪水资源战略问题是全球共 同关注的焦点之一。过去由于预测方法的局限性，对需水量的预测普遍偏 高，造成对水资源决策上的不同程度的误导。而我国是世界上水资源短缺 的主要国家之一，有些地区水资源短缺已经达到了严重不足的程度，而这 有限的宝贵的水资源的不合理开发利用，会加剧水资源紧张状况和供需矛 盾，使水资源开发利用走进了恶性循环怪圈，也影响了水资源的可持续利 用和社会经济的持续发展。
我国在需水量预测中存在需水量预测长期预测结果与实际情况误差较 大等问题，所以在科学认识需水量变化规律的基础上，建立一个新的需水 量预测模型和方法，使长期需水量预测的误差更小，精度更高，为更加科 学合理的进行水资源决策(规划和优化)提供科学、可靠的依据，则是重 中之重。
发明内容
本发明的目的在于提供一种针对在需水量预测中，存在需水量预测长期预测结果与实际情况误差较大的问题，提出的灰色模型应用于对水量的
预测，通过把数学模型编成程序，新息递补BP神经网络模型来预测用水量。 进行对水量预测。
本发明的目的是通过以下技术方案实现的
新息递补多层非线性映射神经网络模型需水预测方法，该方法为多层 非线性映射网络属于静态网，采用最小均方差学习方式，在使其评价函数 最小化过程中，完成输入信号到输出信号的映射，它由一个输入层、 一个 输出层和一个或多个隐蔽层组成，各层次的神经元之间单向全互联连接， 学习阶段采用误差方向逐层传播到输入层，工作阶段维输入矢量逐层正向 传播到输出层，是一种由非线性变换单元组成的前馈型网络。
所述的新息递补多层非线性映射神经网络模型需水预测方法，该方法 是在BP神经网络模型的基础上通过递规调用，每次新的预测值都作为新的 数据补充进原始数列同时去掉最老的数列，直到预测到目标年。
本发明的优点与效果是
首先，该模型是模仿人脑的思维而建立的所以其模拟精度是所有模型 中最高的；再次它克服了传统神经网络模型预测速度慢、精度不高等的缺 点，而且它操作简单、易行。BP神经网络具有大规模并行处理、鲁棒性好、 运算方便、学习能力强等优点，且其模拟能力特别强，所以用它预测需水 量是完全可行的。该模型预测的结果与实际值和专家预测结果是较接近的。
图1是本发明程序编制示意图。
具体实施方式
下面参照附图对本发明进行详细说明。
BP神经网络是目前人工神经网络模式中最具代表性、应用最广泛的一 种模型。BP网络模型是多层非线性映射网络，属于静态网。它采用最小均 方差学习方式，在使其评价函数最小化过程中，完成输入信号到输出信号 的映射。它由一个输入层、 一个输出层和一个或多个隐蔽层组成，各层次 的神经元之间单向全互联连接，学习阶段采用误差方向逐层传播到输入层， 工作阶段维输入矢量逐层正向传播到输出层，其特点是能实现复杂的高度 非线性映射，是一种由非线性变换单元组成的前馈型网络。
而我们这个新息递补BP神经网络模型需水预测方法，是在BP神经网 络模型的基础上通过递规调用，每次新的预测值都作为新的数据补充进原 始数列同时去掉最老的数列，直到预测到目标年。
1. 由于此模型应用的是MATLAB语言编制的，所以在应用之前应先装有 MATLAB程序，打开文件夹。
2. 打开shenyangshide .m程序，开始时需要输入一些基本数据如年 降水量、年末总人口数、地表水资源、地下水资源等，然后运行程序。
3. 再打开shenyangshiyu . m程序，同样开始时需要输入一些基本数据 如年降水量、年末总人口数、地表水资源、地下水资源等，然后运行程 序。
4. 预测结果一方面通过图形表现出来，另一方面你可以打开MATLAB命 令窗口，可以查看详细的运行过程和结果。
首先输入基本训练数据，对数据进行处理和设计参数如精度、迭代次 数等；通过计算输出层预测值并判断精度是否满足要求，不满足则接着重复以上操作；接着判断是否是目标年，不是则返回重新运行，直到目标年。 系统配置P4及以上机型，内存128MB， 15英寸以上显示器，推荐分辨率 为800X600。 Windows98及以上操作系统，Visual Basic 6.0、 MATLAB7. 0 以上版本。
权利要求
1.新息递补多层非线性映射神经网络模型需水预测方法，其特征在于该方法为多层非线性映射网络属于静态网，采用最小均方差学习方式，在使其评价函数最小化过程中，完成输入信号到输出信号的映射，它由一个输入层、一个输出层和一个或多个隐蔽层组成，各层次的神经元之间单向全互联连接，学习阶段采用误差方向逐层传播到输入层，工作阶段维输入矢量逐层正向传播到输出层，是一种由非线性变换单元组成的前馈型网络。
2. 根据权利要求l所述的新息递补多层非线性映射神经网络模型需水 预测方法，其特征在于该方法是在BP神经网络模型的基础上通过递规调用， 每次新的预测值都作为新的数据补充进原始数列同时去掉最老的数列，直 到预测到目标年。
全文摘要
新息递补多层非线性映射神经网络模型需水预测方法，涉及一种水量预测的方法，该方法为多层非线性映射网络属于静态网，采用最小均方差学习方式，在使其评价函数最小化过程中，完成输入信号到输出信号的映射，它由一个输入层、一个输出层和一个或多个隐蔽层组成，各层次的神经元之间单向全互联连接，学习阶段采用误差方向逐层传播到输入层，工作阶段维输入矢量逐层正向传播到输出层，是一种由非线性变换单元组成的前馈型网络。BP神经网络具有大规模并行处理、鲁棒性好、运算方便、学习能力强等优点，且其模拟能力特别强，所以用它预测需水量是完全可行的。
文档编号G06N3/06GK101308552SQ20081001232
公开日2008年11月19日 申请日期2008年7月15日 优先权日2008年7月15日
发明者朱志锋 申请人:沈阳建筑大学