人工神经网络是由大量简单的元件连接而成,用以模拟人脑行为的复杂网络系统。人工神经网络反映人类大脑功能的许多基本特征,但并不是人脑神经系统的真实写照,而只是对其作某种简化、抽象和模拟。随着神经网络技术的发展,神经网络己广泛应用于水科学研究。神经网络在水科学中的应用主要有以下几方面:1)人工神经网络在模拟及预测预报中的应用;2)人工神经网络在水环境评价中的应用;3)人工神经网络在水害防治中的应用;4)人工神经网络在水资源配置与管理决策中的应用。 本文讨论了在运用神经网络进行水位、流量预报时对预报精度产生影响的因素,并试利用遗传算法优化神经网络的初始权重及运用混沌理论进行数据系列重构以提高神经网络的水文预报精度,探讨了在对神经网络进行优化时影响预报精度的因素。 本文运用BP神经网络来进行不同水文站之间的流量、水位预报,经过分认为:在本文采取的预测模式下,不同水文序列的组合预报精度有明显的差别,通过分析认为,这与构成水文系列间的线性关系有关。训练系列的长度对预报的精度是有影响的,训练系列越长,预报的效果也越好,但序列的长度超过某一界限后,其对预报精度的提高的贡献变小,甚至可能出现负影响;在本文采用的组合范围内训练数据与预报数据间存在一个较小的时间、空间间隔,对预报效果的影响并不是太大,且不确定;对输入数据采取归一化处理,不是所有的情况下都可以提高预报的精度,本文认为,在输入数据的分布区间小于归一化后数据分布区间的情况下,就不宜采用归一化处理输入数据。 遗传算法是由美国著名学者John. H. Holland提出的一种随机优化搜索算法。遗传算法借鉴生物界自然选择和遗传机制,按一定条件构造含一定数目个体的种群,通过建立适应度函数,模拟种群的进化过程。它利用简单的编码技术和繁殖机制来表现复杂的现象从而解决非常困难的问题。遗传算法具有稳健性、适于并行处理等优点。本文中利用遗传算法优化神经网络的初始权重以期提高神经网络水文预报的精度,在分析了不同遗传算子组合及数据输入模式下的预报效果后,认为:采用遗传算法优化神经网络初始权重后,对于网络性能指标s~2的影响,未归一网络优化明显大于归一网络,但这是在未归一网络s~2值大于归一网络前提下实现的,而且优化前后均是如此,这说明,网络采取何种数据输入方式对径流预报神经网络的预报性能影响很大;神经网络采取何种数据输入方式对经过遗传算法的最终种群中的种群集中程度及种群的多样性没有明显影响。不同算子组合