第28卷第11期煤炭技术Vol128,No1112009年11月CoalTechnologyNov,2009改进梯度下降BP算法在地下水位预测中的应用梁斌梅1,2(11广西大学数学与信息科学学院,南宁530004;21四川大学计算机学院,成都610065)摘要:本文给出了BP神经网络预测模型的原理,分析了标准BP算法缺陷,通过改变学习率和增加动量项改进BP算法。用改进的算法预测某地地下水位,并对训练过程进行优化,实验结果表明,改进的BP神经网络能有效地提高地下水位预测的速度和精度,比标准BP算法预测性能有较大改善。关键词:神经网络;BP算法;预测中图分类号:TD17文献标识码:A文章编号:1008-8725(2009)11-0144-03ApplicationofImprovedGradientDescentbyBPAlgorithmtoGroundwaterLevelForecastLIANGBin-mei1,2(1.CollegeofMathematicsandInformationScience,GuangxiUniversity,Nanning530004,China;2.CollegeofComputerScience,SichuanUniversity,Chengdu610065,China)Abstract:ThispapergivestheprinciplesofBPneuralnetworkforecastmodel.AfteranalyzingthelimitationsofthestandardBPalgorithm,improvesBPalgorithmbymodifyingthelearningrateandaddingamomentumitem.ToforcastthegroundwaterlevelinacertainplacebytheimprovedBPalgorithm,andoptimizethetrain2ingprocess.TheexperimentalresultsshowthattheimprovedBPneuralnetworkcaneffectivelyincreasespeedandaccuracyofthegroundwaterlevelforecast,hasagreatimprovementinperformancecomparedwiththestandardBPalgorithm.Keywords:neuralnetwork;BPalgorithm;forecast层经各中间层向输出层传播,在输出层的各神经元获得网络0引言的输入响应。根据减少目标输出与实际输出之间误差的方神经网络是1种高度自适应的非线性动力系统,具有很向,从输出层反向经过各中间层回到输入层,逐层修正各连强的自适应、自学习功能,通过BP神经网络学习可以得到输接权值,随着这种误差逆向的传播修正不断进行,网络对输入与输出之间的高度非线性映射,由于有强大的数学基础作入模式响应的正确率也不断上升,当网络收敛到最小误差总为理论支撑,并且结构简单,可调参数多,训练算法多,BP神数时,训练终止,对应的权值确定了1个BP网络。下面介绍经网络被广泛应用于预测、故障诊断等应用领域中。BP算法流程及基本理论:地下水系统是1个复杂的非线性动力系统,地下水位主(1)用小的随机数初始化网络权重和偏倚。要受河道流量、降水量、气温、蒸发量、饱和差等因素的影响,(2)输入1个样本,计算隐层和输出层各神经元的输出:传统的分析预测方法主要是确定性数学模型和随机统计方θOj=f(∑WijOi+j),其中,f是激励函数,Wij是由上一层神法,这些方法多以线性理论为基础,考虑问题偏于简单化,导i经元i到神经元j的连接权重,O是上一层神经元i的输出,致预测精度不高。相对于传统的预报方法,神经网络在处理iθ是神经元的偏倚。这方面问题中有着独特的优势,本文利用神经网络预测模型jj12对地下水位进行预测,对预测过程进行优化,并用改进的BP(3)计算输出误差:E=(T-O),T为给定样j2∑jjj算法提高预测精度。j本的已知目标值,Oj是计算输出值。1BP神经网络预测模型5E(4)调整权重为:W=W+ΔW=W-η,η为学ijijijij5W1.1BP神经网络ij习速率。BP神经网络是1种多层前馈神经网络,它由1个输入(5)输入下1个样本,转(2)。层、1个或多个隐层、1个输出层组成,各层神经元之间实现所有训练样本是随机输入,直到网络收敛且输出误差小全连接,同层神经元之间无连接,它调整网络权值的训练算于容许值。法是误差反向传播学习算法,即