论文部分内容阅读
我国是水资源严重短缺的国家,随着人类的过度开采,地下水位不断下降,带来了地面下沉、道路变形等地质灾害。所以地下水位预测在实际的生活中起着非常重要的作用。目前的预测方法中存在预测误差较大、收敛速度慢等缺陷。本研究选取温度、湿度、蒸发量和降雨量为输入参数,通过建立BP神经网络和RBF神经网络模型进行地下水位预测对比,并运用QPSO算法优化RBF神经网络对地下水位进行预测。主要研究内容如下:(1)确定BP神经网络的网络结构为4-8-1、训练算法为动量梯度下降法以及激活函数为tansig和purelin。对数据进行归一化处理,建立BP神经网络模型,对地下水位进行预测,得到平均相对误差为9.21%,均方误差为0.1426,训练时间为18.95s。(2)针对BP神经网络预测模型,预测误差较大的缺陷,采用RBF神经网路预测模型,确定径向基函数为高斯函数、训练算法为最小二乘积算法以及扩展函数为0.05,进行地下水位预测,得到平均相对误差为4.42%,均方误差为0.0432,训练时间为14.73s。结果表明RBF神经网络的预测精度和训练时间都要比BP神经网络要好,但是在个别时段RBF网络的预测误差较大。(3)通过使用QPSO算法优化RBF神经网络的隐含层的阈值、隐含层到输出层的权值以及输出层的阈值。采用优化后的RBF神经网络模型对地下水位进行预测,得到平均相对误差为1.35%,均方误差为0.0039,结果表明优化后的RBF神经网络的预测精度要好于RBF神经网络和BP神经网络的预测精度。(4)设计了基于QPSO算法优化RBF神经网络预测地下水位的仿真界面。通过对界面的布局以及控件的程序的编写,建立仿真界面。通过文字的提示进行操作,使操作起来更简单,观看预测图形更方便,实现人机交互的功能。通过QPSO算法优化的RBF神经网络可以有效的预测地下水位,精度较高,可以为农业灌溉、地下水开采等提供依据。