退水廣泛存在于我國的大型灌區(qū)中，它主要由田面棄水、引水渠退水、水排水、降水、山洪、工業(yè)廢水及生活污水組成。我國西北地區(qū)的灌區(qū)年退水量接近200m3，一些灌區(qū)的退水量可達(dá)引水量的40%～60%，這部分水量的重復(fù)利用不僅對(duì)于灌區(qū)，而且對(duì)整個(gè)區(qū)域的水資源管理都具有十分重要的意義。由于退水量的組成和時(shí)空分布十分復(fù)雜，目前國內(nèi)外關(guān)于退水量預(yù)測理論與方法的研究較少，而且不夠深入。在查閱國內(nèi)外相關(guān)文獻(xiàn)資料的基礎(chǔ)上，本文采用理論與方法研究和實(shí)例應(yīng)用相結(jié)合的技術(shù)路線，以青銅峽灌區(qū)為例，研究了灌區(qū)退水的變化規(guī)律，確定了退水的組成及主要影響因素，將灌區(qū)退水分為年退水、月退水、日退水等3種不同的類型，對(duì)灌區(qū)退水量預(yù)測的理論與方法進(jìn)行了研究。的主要研究成果為：通過分析青銅峽灌區(qū)灌溉、排水和降水等長系列歷史觀測資料，研究了青銅峽灌區(qū)產(chǎn)生大量退水的主要原因，揭示了灌區(qū)水資源的轉(zhuǎn)化規(guī)律。研究了灌區(qū)退水量的組成，揭示了退水量的年際和年內(nèi)變化規(guī)律，采用灰色關(guān)聯(lián)度和相關(guān)分析的方法確定了退水量的主要影響因素為引水量、水位和降水量。以年退水量為研究對(duì)象，根據(jù)灌區(qū)退水量與其影響因素相關(guān)關(guān)系比較明顯，年退水規(guī)律相對(duì)容易描述的特點(diǎn)，采用多元逐步回歸方法建立了灌區(qū)年退水量預(yù)測模型，模型結(jié)構(gòu)7灌區(qū)月退水量的變化呈一定的周期性，但隨機(jī)波動(dòng)較大，用傳統(tǒng)數(shù)值分析方法很難進(jìn)行模擬，本文利用神經(jīng)網(wǎng)絡(luò)的強(qiáng)模擬能力和學(xué)習(xí)能力，建立了灌區(qū)月退水量預(yù)測的神經(jīng)網(wǎng)絡(luò)模型。實(shí)例應(yīng)用表明，在樣本數(shù)量較大的情況，退水量神經(jīng)網(wǎng)絡(luò)模型具有較高的模擬和預(yù)測精度。另外，針對(duì)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度慢、易于收斂于局部最小點(diǎn)、過度訓(xùn)練和外推能力差的缺點(diǎn)，本文從建模、樣本選取、樣本數(shù)量、算法選取、網(wǎng)絡(luò)訓(xùn)練、模型更新等6個(gè)方面討論了克服這些缺點(diǎn)的方法，實(shí)例分析表明這些方法是切實(shí)有效的。神經(jīng)網(wǎng)絡(luò)模型要取得好的外推能力和預(yù)測效果，必須有大量的訓(xùn)練樣本作保證，但許多灌區(qū)的月退水量資料序列較短，訓(xùn)練樣本的數(shù)量較少，達(dá)不到神經(jīng)網(wǎng)絡(luò)建模的要求。因此，本文引入了以結(jié)構(gòu)化風(fēng)險(xiǎn)最小為原則，適合小樣本建模的支持向量機(jī)，建立了灌區(qū)月退水量預(yù)測的支持向量機(jī)模型，并探討了支持向量模型參數(shù)的訓(xùn)練方法。實(shí)例應(yīng)用表明，在樣本數(shù)量較少的情況下，支持向量機(jī)模型的預(yù)測能力高于神經(jīng)網(wǎng)絡(luò)模型。通過對(duì)灌區(qū)日退水量時(shí)間序列的研究，揭示了青銅峽灌區(qū)日退水量時(shí)間序列的非平穩(wěn)性和1階差分平穩(wěn)性，建立了灌區(qū)日退水量預(yù)測的時(shí)間序列模型，探討了退水量時(shí)間序列模型預(yù)測的新息修正方法。實(shí)例應(yīng)用表明模型能較好地模擬灌區(qū)日退水量的變化規(guī)律，平均相對(duì)誤差為7.88％，預(yù)測精度較高。通過對(duì)灌區(qū)日退水量時(shí)間序列進(jìn)行混沌識(shí)別和相空間重構(gòu)，揭示灌區(qū)日退水量具有混沌特征，確定了其重構(gòu)相空間的時(shí)間延遲、嵌入維數(shù)和關(guān)聯(lián)維數(shù)。在此基礎(chǔ)上，將相空間重構(gòu)理論與神經(jīng)網(wǎng)絡(luò)方法相結(jié)合，建立了灌區(qū)日退水量預(yù)測的混沌神經(jīng)網(wǎng)絡(luò)模型，并與日退水量預(yù)測的時(shí)間序列方法進(jìn)行了對(duì)比分析。實(shí)例應(yīng)用表明，混沌神經(jīng)網(wǎng)絡(luò)模型的模擬和預(yù)測精度方面要高于時(shí)間序列模型，但時(shí)間序列模型的建模和使用復(fù)雜程度要低于混沌神經(jīng)網(wǎng)絡(luò)模型?；煦缋碚? 研究背景和意 國內(nèi)外研究現(xiàn) 主要研究內(nèi)容及創(chuàng)新 青銅峽灌區(qū)概 灌區(qū)的引水和排水系 灌區(qū)的水資源情況分 灌區(qū)水資源利用情況分 灌區(qū)水資源轉(zhuǎn)化規(guī)律分 灌區(qū)退水量的組 灌區(qū)退水量年內(nèi)、年際的變化規(guī) 灌區(qū)退水量影響因素分 退水量的關(guān)聯(lián)分 本章小 前 多元逐步回歸模 灌區(qū)退水量預(yù)測模 本章小 前 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡 BP網(wǎng)絡(luò)的學(xué)習(xí)算 BP網(wǎng)絡(luò)的標(biāo)準(zhǔn)學(xué)習(xí)算 Levenberg-Marquardt算 BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法及其比 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方 克服BP網(wǎng)絡(luò)收斂于局部最小點(diǎn)的方 避免BP神經(jīng)網(wǎng)絡(luò)的過度訓(xùn)練的方 增加BP神經(jīng)網(wǎng)絡(luò)外推能力的方 灌區(qū)退水量動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模 LM算法的退水量神經(jīng)網(wǎng)絡(luò)模型的建 灌區(qū)退水量神經(jīng)模型的訓(xùn) 本章小 前 機(jī)器學(xué)習(xí)與統(tǒng)計(jì)學(xué)習(xí)理 支持向量 月退水量支持向量機(jī)模 本章小 前 灌區(qū)日退水量時(shí)間序列的性 灌區(qū)日退水量時(shí)間序列模型的建 灌區(qū)日退水量時(shí)間序列模型的檢驗(yàn)與優(yōu) 灌區(qū)日退水量時(shí)間序列模型的應(yīng) 本章小 前 時(shí)間序列的相空間重 灌區(qū)日退水量時(shí)間序列的混沌識(shí) 灌區(qū)日退水量混沌神經(jīng)網(wǎng)絡(luò)模 本章小 、、灌區(qū)退水是指在農(nóng)田灌溉中，通過農(nóng)業(yè)土壤滲濾、農(nóng)田尾水排放滲漏、渠道末端退水水等方式退到農(nóng)田排水溝中的水量我國的大型灌區(qū)多采用傳統(tǒng)的地面灌溉模式很多灌區(qū)都有退水現(xiàn)象存在其中和內(nèi)的灌區(qū)年退水量接近70億m3，、、、灌區(qū)產(chǎn)生大量退水的主要原因是工程配套建設(shè)不完整、老化失修滲漏嚴(yán)重、灌水技術(shù)和管理水平等大量的退水不僅導(dǎo)致灌溉水資源的浪費(fèi)還導(dǎo)致灌區(qū)水位、。近年來隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展和灌溉用水量的持續(xù)增加水資源供需日益突出利用有限的水資源保持灌區(qū)工農(nóng)業(yè)的可持續(xù)發(fā)展建設(shè)節(jié)水型農(nóng)業(yè)已成為灌區(qū)的合理開發(fā)利用退水資源，是緩解灌區(qū)水資源供需的有效的途徑之一。、、，從水質(zhì)角度研究退水的可再利用性：1997年馬云瑞以引黃灌區(qū)為例研究表明，退水是由灌溉農(nóng)田土壤滲濾水、農(nóng)田尾水滲漏水退水及少量的工業(yè)廢水1.3～1.6g/L的低礦化度退水灌溉可使中輕度鹽漬化土壤脫鹽，退水資源可開發(fā)利用【4。2004年雍富強(qiáng)通過實(shí)驗(yàn)表明引黃灌區(qū)的退水資源在灌溉期90%達(dá)到灌溉水質(zhì)標(biāo)準(zhǔn)，采取純溝水灌溉、以溝、、，從灌排系統(tǒng)布局的角度研究其利用方法：1996年討論了灌溉退水的利用效益、現(xiàn)狀，利用的方法和意義【6；2001年馬太玲通過多因素分析，對(duì)內(nèi)河套灌區(qū)是R.wayneskagge教授等人提出了農(nóng)田水管理DRAINMOD模型。該軟件模擬以長及排水系統(tǒng)基本參數(shù)，用來模擬計(jì)算灌溉降雨情況下的農(nóng)田排水量及變化過程。經(jīng)過WSkaggs5.1版本，并且已經(jīng)在用灌溉退水系數(shù)方法對(duì)退水量進(jìn)行量化分析：1999年汪富貴考慮越級(jí)現(xiàn)象、退水利修正系數(shù)法【15；2001年孫洪保通過用水灌溉試驗(yàn)，推得了試驗(yàn)區(qū)灌溉、灌區(qū)回歸系數(shù)及灌區(qū)有效用水系數(shù)，并在內(nèi)河套灌區(qū)進(jìn)行了實(shí)例分析【16。分析退水量的主要影響因素，然后利用上述理論和方法對(duì)大型灌區(qū)的退水量預(yù)測問題進(jìn)行深入研究。地表水土壤水水之間的相互轉(zhuǎn)化關(guān)【17“四水轉(zhuǎn)化關(guān)系分析是根探求降水徑流蒸法等要素的平衡關(guān)系和大氣水地表水土壤水及水之間【18【19。大氣水分通過凝結(jié)作用變成液態(tài)與固態(tài)降水，進(jìn)而轉(zhuǎn)化成為地表水土壤水水而水地表水土壤水又通過蒸發(fā)上升等作用變成水汽，形成大氣水分。與此同時(shí)，地表水、土壤水和水又通過徑流、毛管上升滲漏、滲透、壤中流等形式相互轉(zhuǎn)化。80年代初才發(fā)展起來的。研究的目的主要是為了解決水資源評(píng)價(jià)的問題，如地表水與水重復(fù)計(jì)算的問題【20。在國內(nèi)，有人將土壤水和水合并在一起進(jìn)行研究，稱為“三水（大氣水—地表水—水）轉(zhuǎn)化；也有人將植物水作為一個(gè)相對(duì)獨(dú)立的系統(tǒng)，研究大氣水—地表水—土壤水—水—植物水，俗稱“五水”。1980年，前著名水文學(xué)家維奇了“水文學(xué)的土壤趨勢”專題，他發(fā)）年平均水量平衡方程中，未將徑流與土壤（包氣帶）的水分表示出來。蒸發(fā)的概念是流域總蒸發(fā)未將其中的土壤蒸發(fā)與植物蒸騰分開維奇把三要素方程進(jìn)行了分。、自從維奇明確地將土壤水從水中分離出來后“四水”轉(zhuǎn)化的研究迅速發(fā)展在禹城綜合試驗(yàn)站大屯農(nóng)田生態(tài)站等觀測站對(duì)地表水和水作了深入的、出了水量轉(zhuǎn)化的區(qū)域分析與農(nóng)業(yè)水資源總量的概念及計(jì)算模型【22。、楊詩秀、尚松浩等人在葉爾羌河平原綠洲進(jìn)行了四水轉(zhuǎn)化關(guān)系研究其主要研究成果有較為全、康紹忠等人通過對(duì)麥田水分微循環(huán)規(guī)律的研究以小麥期土壤—植物—（壤水—水—植物水）相互轉(zhuǎn)化的動(dòng)力學(xué)模式【29、30，揭示了農(nóng)田水分循環(huán)的動(dòng)力學(xué)性、、、，，等人在陜西渭北黃土旱塬區(qū)進(jìn)行了“三水”轉(zhuǎn)化研究【31。該研究主要從降水、地面水（主要是灌溉水、水的入滲、飽水、釋水機(jī)理和轉(zhuǎn)化機(jī)理給出了可開采量的經(jīng)驗(yàn)。通過抽水試驗(yàn)研究教授認(rèn)為，黃土含水層中給水度們的論斷向傳統(tǒng)的理論提出了，促使人們對(duì)水的儲(chǔ)水介質(zhì)需要作更進(jìn)一步的認(rèn)識(shí)和研究，對(duì)干旱缺水的灌區(qū)找水具有深遠(yuǎn)的意義。另外、虎膽等人在新、、，，因間的關(guān)系或者分析時(shí)間序列之中隱藏的事物變化規(guī)律來確定事物的變化趨勢從模糊數(shù)學(xué)是一門新的數(shù)學(xué)分支，誕生于1965年，創(chuàng)始人是自動(dòng)控制專家理查德【44。楊明等采用模糊推理模型研究了水庫徑流預(yù)報(bào)【46；白子巖將模糊模式識(shí)別法應(yīng)用到水文中長期預(yù)報(bào)中【47；在中長期徑流模糊聚類預(yù)報(bào)模型基礎(chǔ)上，結(jié)合徑流的周期變化規(guī)律，提出了雨季段中長期模糊聚類預(yù)報(bào)模型【48。這些研究都取得了較好的成果，推動(dòng)了水文預(yù)測的發(fā)展。；。海控制系統(tǒng)學(xué)術(shù)會(huì)議上所作“含未知數(shù)系統(tǒng)的控制問題的學(xué)術(shù)報(bào)告中首次使用了統(tǒng)的控制問題”等系列，奠定了灰色系統(tǒng)理論的基礎(chǔ)【49～50?；疑到y(tǒng)理論在自然科起來分析【54；等利用模糊數(shù)學(xué)和灰色集理論對(duì)不嚴(yán)格具有無后效性的過程進(jìn)行描述，提出了模糊灰色馬氏過程的新模型，用于洪水的預(yù)報(bào)【55，等利用這一模式對(duì)山西省汾河水庫的五日洪量進(jìn)行了預(yù)測提高了預(yù)測精度等人建立了娘；。MP模型。1949DonaldHebb提出神經(jīng)元的連接強(qiáng)度是可以修改的，這為神經(jīng)網(wǎng)絡(luò)的產(chǎn)生奠定了基礎(chǔ)。1982年，JohnHopfield提出了Hopfield神空間到另一個(gè)空間的映射這種映射關(guān)系通過一系列權(quán)重值給出即使實(shí)測數(shù)據(jù)在國外，F(xiàn)rench較高精度【59。Hsiang-Tekung,Lyuli，Smalasri3個(gè)模塊BP網(wǎng)絡(luò)模型，應(yīng)用于降雨預(yù)報(bào)【6020個(gè)節(jié)點(diǎn)，輸出層為單節(jié)點(diǎn)。該網(wǎng)絡(luò)用Mempics地區(qū)1982～1989年降雨資料進(jìn)行了預(yù)報(bào)檢驗(yàn)，其誤30%以內(nèi)。Hsiang-Tekung認(rèn)為:神經(jīng)網(wǎng)絡(luò)模型的可靠性取決于輸入層、隱含層、輸出層節(jié)點(diǎn)數(shù)和隱含層的層數(shù)。SRanjithan針對(duì)水研究中多孔介質(zhì)透水性的空間變化及其資料較缺乏、求解維數(shù)高、計(jì)算量大的特點(diǎn)，建立了BP網(wǎng)絡(luò)水優(yōu)化管理模型。模12個(gè)輸入節(jié)點(diǎn)、36個(gè)隱含層節(jié)點(diǎn)、1BP網(wǎng)絡(luò)，取得了較好的識(shí)別效果并且在不降低方案可靠性前提下大大減少了水優(yōu)化管理的約束條件，、、。、2090等人應(yīng)用水文因子神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了暴雨預(yù)報(bào)湖水位預(yù)報(bào)徑流分級(jí)預(yù)報(bào)方面的研【62提出了用多層徑向基函數(shù)網(wǎng)（進(jìn)行水文時(shí)間序列預(yù)測的神經(jīng)網(wǎng)絡(luò)方法，該方法具有訓(xùn)練時(shí)間短和全局收斂性的優(yōu)點(diǎn)【63。苑希民、李鴻雁、等人將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于多泥沙洪水預(yù)報(bào)中，得到了很好的預(yù)測效果【156。覃光華等人提出將門限自回歸模型與人工神經(jīng)網(wǎng)絡(luò)模型結(jié)合建立了洪水預(yù)報(bào)模型，并將此模型應(yīng)用于長江宜昌站的洪水預(yù)報(bào)中，對(duì)現(xiàn)有門限模型分段線性化作了很好的改進(jìn)預(yù)測結(jié)果有明顯的提【65】周晶等人針對(duì)誤差反向神經(jīng)網(wǎng)（P模型）學(xué)習(xí)收斂速度慢容易陷入局部極小等缺點(diǎn)提出原始數(shù)據(jù)的非線性規(guī)格化函數(shù)式P模型進(jìn)行了改進(jìn)【66。、、。、小樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論。V.Vapnik等人從六、七十年始致力于此方面研選擇問題、局部極小點(diǎn)問題等－支持向量機(jī)(SupportVectorMachineSVM)，它已初步表現(xiàn)出很多優(yōu)于已有方法的性支持向量機(jī)是統(tǒng)計(jì)學(xué)習(xí)理論中最實(shí)用的部分，其內(nèi)容是在1992到1995年獲得最好的推廣能力(GeneralizationAbility)。支持向量機(jī)方法的主要特點(diǎn)為：算法將實(shí)際問題通過非線性變換轉(zhuǎn)換到高維的特征空間(FeatureSpace)，在高維空；型，提高了洪水峰值預(yù)測的精度【85；，陳守煜將支持向量回歸機(jī)用于凌汛的預(yù)報(bào)，取得較好的效果【86；經(jīng)玲建立了灌區(qū)了水位的支持向量回歸模型，用于模擬灌區(qū)水位的動(dòng)態(tài)變化【87。；時(shí)間序列分析方法最早于1927年，數(shù)學(xué)家耶爾(Yule)提出了預(yù)測市場變化規(guī)律建的回歸(AR)模型。1931年，數(shù)學(xué)家瓦爾格(Walker)AR模型的啟發(fā)下，建立了滑動(dòng)平均模型(MA)和自回歸滑動(dòng)平均混合模型(ARMA)20世紀(jì)60年代，時(shí)間序列分析理論邁入了一個(gè)新的階段，伯格(Burg)、、間序列預(yù)測時(shí)域，并把這種方法應(yīng)用到水沙預(yù)報(bào)方面【89；根據(jù)烏拉斯臺(tái)河年徑流序列的長期變化特征，提出了時(shí)間序列的分解預(yù)測模型【90；采用神經(jīng)網(wǎng)絡(luò)理論對(duì)實(shí)測的日徑流建立了預(yù)測模型，分析研究非線性時(shí)間序列在水文方面的應(yīng)用【91；李亞嬌行了預(yù)測【92；沈冰將系統(tǒng)自模式引入到水文時(shí)間序列預(yù)測中，推導(dǎo)了描述水文系統(tǒng)動(dòng)力特征的微分方程建立了時(shí)間序列預(yù)測的系統(tǒng)自預(yù)測模型并進(jìn)、、混沌的研究于1903年法國人Poincar的龐加萊猜想。1954年，前概率論大系統(tǒng)也有混沌的理論奠定了基礎(chǔ)。1963年，氣象學(xué)家E.Lorenz研究了大氣在溫度梯法國天文學(xué)家Henon從研究球狀星團(tuán)以及Lorenz吸中得到啟發(fā)，給出了Henon映新觀點(diǎn)。1975年，中國學(xué)者和數(shù)學(xué)家J.Yorke在《AmericaMathematics》程，這就是著名的Li-Yorke定理。1976年，生物學(xué)家R.May在《Nature》上沌理論的驚人信息簡單的確定論數(shù)學(xué)模型竟然也可以產(chǎn)生看似隨機(jī)的行【】 第一次國際混沌會(huì)議在意大利召開，標(biāo)志著混沌科學(xué)的誕生。1978年，物理學(xué)家M.J.Feigenbaum在May的基礎(chǔ)上獨(dú)立地發(fā)現(xiàn)了著名的Feigenbaum常數(shù)【103。Feigenbaum在水文預(yù)測方面，混沌理論也有很多的應(yīng)用。在國外，S1vakumar基于確定性的混沌CoaracyNunesAraguari流域的月徑流預(yù)測，107。IslamLindenborg流域的日徑流動(dòng)力系統(tǒng)【108。Sivakumar,Jayawardena等人對(duì)二種非線性黑箱模型方法，基于相空間重構(gòu)的局域（ANN，在國內(nèi)利用多點(diǎn)相似法進(jìn)行局域相空間預(yù)測，對(duì)相似點(diǎn)進(jìn)行平均，預(yù)測了出屏山站的洪水過程，相空間預(yù)測方法較傳統(tǒng)的線性模型更能反映動(dòng)力系統(tǒng)的非線壩和隔河巖的入庫日徑流序列進(jìn)行了預(yù)測【112。以多條河流的徑流時(shí)間序列為例，4~6年【115。，田的排水（水稻田的地表排水、中低產(chǎn)田的排水、城鄉(xiāng)生活與工業(yè)的排水等，其組汪林等人結(jié)合國家自然科學(xué)基金項(xiàng)目，對(duì)引黃灌區(qū)以水鹽循環(huán)系統(tǒng)和水鹽均衡（MODFLOW了水資源優(yōu)化配置與可持續(xù)利用問題提出了灌區(qū)總耗水量和耗水量的概念建以青銅峽灌區(qū)為研究實(shí)例按照退水時(shí)段的長短將灌區(qū)退水量分為年退水月退水量為研究對(duì)象利用神經(jīng)網(wǎng)絡(luò)的非線性模擬能力和學(xué)習(xí)能力建立月退水量預(yù)導(dǎo)，的主要?jiǎng)?chuàng)新點(diǎn)有以下幾個(gè)方面：BP神經(jīng)網(wǎng)絡(luò)模型易于收斂于局部最小點(diǎn)、過度訓(xùn)練和外推能力差的方法。青銅峽灌區(qū)位于北部上游下段是我國古老的特大型灌區(qū)之一。灌區(qū)所在的銀川平原屬河（前套平原的重要組成部分南起青銅峽水利樞紐，北至石嘴山，西抵賀蘭山脈，東至鄂爾多斯臺(tái)地西緣，土地肥沃，引水便利，是糧油主產(chǎn)區(qū)和國家商品糧。青銅峽灌區(qū)的海拔在1100～1200米之間，地勢從西南向東北936萬畝，有效灌49544847排水措施，很多鹽堿灘被改造成為良田，很多湖泊，開墾為農(nóng)田。8~9沿銀川平原的東緣自南向北流動(dòng)，在石嘴山市麻黃溝，多年平均流量為1030m3/s，年過境水量約325億m3，水源充足，水質(zhì)好，是青銅峽灌區(qū)最主要的灌溉2-1。2-1Fig.2-1SketchofQingtongxiairrigationarean1967修建了灌區(qū)的灌溉渠系和排水溝道初步形成了灌溉基本有保證排水基本有出路的灌排格局。青銅峽現(xiàn)狀引水量、耗水量約占引黃灌區(qū)的80%左右，也是節(jié)水潛力最大2-1。 青銅峽灌區(qū)主要工程情況一覽 MajorchannelofQingtongxiairrigation76等20條。水文局在這些溝道上設(shè)有水文觀測站，另外對(duì)其它較大的溝道進(jìn)行巡測使灌區(qū)的排水情況得到了較好地測量。目前水文站控制排水干溝20條，控制排水面積129.97km22.6%2-2。國的1/16，人均占有水量僅200m3，畝均占有水量55m3，在屬于最少的省區(qū)。從目前水資源的利用組成比例來看大氣降水占1.6%水占5.1%過境水占93.3%表2- 青銅峽灌區(qū)主要排水溝道概況 MajordrainofQingtongxiairrigation 長度支條數(shù)長度1965195219659195519561962196419701965197481951819741964197019521973195619571953降水量只有190mm，枯水年不足100mm，豐水年約350mm，蒸發(fā)量為1176mm（E601型），52%～60%7～970%左右，降水年際變化很大。由降水產(chǎn)生的地表水資源稀少，除了干流過境水之外青銅峽灌區(qū)基本沒有可供利用的地表徑流由降雨形成的1.3m319.8mm。。，，強(qiáng)上游劉家峽和龍羊峽水庫分別于1968年和1986年投入運(yùn)行由于近年來上游續(xù)干旱少雨，上游水庫可調(diào)度的水量減少，整個(gè)流域缺水，1986～1995年平均來水量只有271.7億m3。為確保不斷流，同時(shí)盡可能緩解沿黃地區(qū)缺水狀況，向下游實(shí)施調(diào)水引黃水量受到了限制。根據(jù)批準(zhǔn)下達(dá)的水資源分配方案，在南水北調(diào)工程實(shí)施前可利用過境水資源量最大為40億m3，其中青銅峽灌區(qū)為30m3左右。。，，5.5%，山前側(cè)滲和山洪入滲補(bǔ)給占4.8%。水的排泄以潛水蒸發(fā)為主，其次是通過灌2-3。表2- 青銅峽灌區(qū)當(dāng)?shù)厮Y源 LocalwaterresourcesofQingtongxiairrigation分區(qū)名稱分區(qū)面積量(m3)水量(m3)多年平均水量(m3)( 。灌區(qū)水位一般小于2m，灌溉期小于1m。鉆孔涌水量河?xùn)|地區(qū)從西向東由1000m3/d100m3/d1000m3/d100m3/d1g/L10g/L，河西地側(cè)向西大灘一帶（沉降中心）1g/L10g/L。。、收并可恢復(fù)的水量。土壤水的主要來源是大氣降水、灌溉水水在毛管作用下的上升、，灌水量不足時(shí)滿足不了作物的生長需求時(shí)于土壤中的土壤水可以供給作物吸收利，、引黃灌區(qū)的土壤水主要來源于灌溉水的補(bǔ)給春季的土壤水分不能滿足作物的處于動(dòng)態(tài)變化過程，年際間土壤儲(chǔ)水相對(duì)穩(wěn)定，土壤儲(chǔ)水與灌溉水量和水位有關(guān)。、青銅峽灌區(qū)現(xiàn)有灌溉面積495萬畝，引黃水量占全區(qū)總用水量的90%以上。農(nóng)田灌溉大部分采用傳統(tǒng)的地面灌水方式，用水浪費(fèi)嚴(yán)重，灌水利用率低。2000～2002年2-4。 WaterdiversionandutilizationcoefficientofirrigationwaterinQingtongxiairrigationfrom2000to年份毛灌溉，、可以看出引黃灌區(qū)水資源浪費(fèi)現(xiàn)象相當(dāng)嚴(yán)重，農(nóng)業(yè)灌溉很高。引黃灌區(qū)平均灌溉水利用系數(shù)不超過0.44，低于0.45的平均水平，這意味著灌區(qū)水量有一半以上是在輸水、配水和田間灌溉過程中損失掉了，而發(fā)達(dá)國家如以色列、歐共體國家0.70~0.80。，、82%。1994～20022-5。表2- 1994～2002年青銅峽灌區(qū)工業(yè)用水量一覽 （單位：億Tab.2-5IndustrialwaterconsumptionofQingtongxiairrigationareafrom2000to2002108m3年份合下水量占90.36%；2002年工業(yè)用水中引黃水量占17.05%，水量占82.95%。，溉形成了類似我國長江以南濕潤半濕潤地區(qū)的自然景觀和下墊面條件引黃灌區(qū)的，鹽，灌區(qū)的灌溉較大，進(jìn)一步增大了對(duì)引黃水量的需求。灌區(qū)的四水的轉(zhuǎn)化是指灌區(qū)的大氣降水、地表水、水、土壤水之間的相互轉(zhuǎn)化，給水的量僅占水總補(bǔ)給量的5.7%；由大氣降水產(chǎn)生地表徑流的水量和轉(zhuǎn)化成土40.7%，絕大部分降水直接注入河道或蒸發(fā)消耗。引黃灌溉水在四水轉(zhuǎn)化中處于主導(dǎo)地位。是一個(gè)水資源匱乏的省區(qū)，是唯一有保證的水源灌區(qū)的發(fā)展得益于得天獨(dú)厚的水的便利條件在灌區(qū)5.3%。，灌區(qū)深厚的沖積洪積層構(gòu)成了有利的蓄水條件，加之地勢平緩，使灌區(qū)儲(chǔ)水量持續(xù)增大水位居高不下，引起水中鹽分向上方土壤層遷移，結(jié)果是鹽分回，灌區(qū)內(nèi)四水轉(zhuǎn)化復(fù)雜，特別是地表水與水轉(zhuǎn)化量大、頻繁，四水轉(zhuǎn)化的定灌區(qū)排水溝排水量有農(nóng)田的水、灌溉的退水，工業(yè)廢水及生活污水，其組成十分土壤水分是大氣降水水相互交換的媒介也是地表徑流形成的主要因素。土壤水來源于地表水的入滲與潛水的補(bǔ)給除少量補(bǔ)給水外絕大部分轉(zhuǎn)化為灌區(qū)農(nóng)田水量轉(zhuǎn)化的模式見示意圖2-2，根據(jù)圖2-2所示的水量轉(zhuǎn)化關(guān)系，可以推 灌區(qū)總水量均衡為(IPRrQ)(EDrGd)S1S2式中：IRr——灌區(qū)外地表水進(jìn)入量；DrGd——水向的排泄量或補(bǔ)給量

灌溉引水灌溉引水壤中流水之間排泄/補(bǔ)給水流毛細(xì)上升水水滲漏河圖2- 灌區(qū)農(nóng)田水量循環(huán)示意Fig.2-2Sketchofirrigationareawater，壤水消耗到一定程度后水通過潛水蒸發(fā)轉(zhuǎn)化為土壤水土壤水的主要消耗是通過，當(dāng)?shù)乇硭退┙o工業(yè)用水后，一部分消耗于產(chǎn)品或以蒸發(fā)形式作為其消耗；2-3河黃地 Fig.2-3Sketchofirrigationareawaterconsumption、青銅峽灌區(qū)具有良好的引水條件，灌區(qū)內(nèi)多年大引大排的灌溉方式，1990～2000年30%17%。、量、水位、作物種植結(jié)構(gòu)、土壤質(zhì)地和灌溉方式的不同，退水量的組成也有所差異、青銅峽灌區(qū)退水量在引水量、耗水量水位、降水量、蒸發(fā)量及灌區(qū)種植結(jié)構(gòu)等3-11～12月的數(shù)據(jù)點(diǎn)。、87543210 ThemonthlyreturnvolumeofQingtongxiairrigation要由水、工業(yè)廢水、城鎮(zhèn)污水等組成；春灌開始后，由于引水灌溉，使水位大面積上升，灌區(qū)退水量急劇增大，7m3左右。此時(shí)，灌區(qū)的退水量主要由水稻田田面棄水、引水渠退水、，從9月下旬到10月下旬，由于引水量急劇減少水位開始普遍回落，灌，渠退水、水、大氣降水、山洪等組成，工業(yè)廢水、城鎮(zhèn)生活污水等占較小的比例；（4）10月下旬到11月中旬，為冬灌期，灌水量大而且集中，區(qū)域水位急劇上34m3左右；（5）冬灌結(jié)束后，水位開始下降，退水量便迅速下降，退水量組成主要由4月下旬～8113-11990～2000年月平均退水量。表3-1 單位：億m3Tab.3-1AveragemonthlyreturnwatervolumeofQingtongxiairrigation 10812345678900006.7%。根據(jù)灌區(qū)退水量的年內(nèi)分布規(guī)律，將一年內(nèi)的退水過程分為灌溉期和停灌期兩個(gè)階4～1123月。由于停灌期的退水量主要由水、工業(yè)廢水和生活污水、以及少量的降水組成，退水量保持相對(duì)穩(wěn)定變化很小而且退水量也僅占年退水總量的5％左右所以本主要進(jìn)行灌溉期退水量研究，對(duì)停灌期的月退水量、日退水量不進(jìn)行討論。青銅峽灌區(qū)具有便利的引水條件，多年來，由于灌水技術(shù)及大水沖洗壓鹽等原因，灌區(qū)退水量一直較大。2050195011.08m3199841.27m3。但1998年以來，隨著流域以及灌區(qū)的經(jīng)濟(jì)發(fā)展，水資源日益緊張，灌區(qū)用水加強(qiáng)了理，并實(shí)施了節(jié)水改造，引水量得到了控制，退水量也有逐漸減少的趨勢，到2001年31.84m3。1980～2000年青銅峽灌區(qū)年退水量的變化趨勢見3-2。01990 圖3- ChangetrendofannualreturnwatervolumeinQingtonxiairrigation3個(gè)不同的時(shí)間長響因間的相關(guān)關(guān)系卻很小，基本上沒有分析研究的價(jià)值。所以本文只進(jìn)行年退水量、3-4。 年引水量（億 Relationshipbetweenannualdiversionandannualrerunwater 月引水量（億 Relationshipbetweenmonthlydiversionandmonthlyrerunwater青銅峽灌區(qū)灌溉期水位埋深變化在0.8～2.3米之間，其地域分布規(guī)律是1.80.8～1.5米，部分農(nóng)田灌溉后水位在短時(shí)間可達(dá)0.5米或更?。凰痉植紖^(qū)水位均小于0.5米銀川以北地區(qū)大部分荒地小于1.3米，部分洼地水位小于0.5米甚至田面灌區(qū)排水條件好的干溝兩側(cè)附近，水位埋深大于2.0米5248，新上升，呈周期性變化，具有明顯的規(guī)律性。在時(shí)間上水位的變化可以分為5個(gè)不，于1.7m，荒地水位一般在1.0m左右。，升幅度一般為1m以上在此之后水一直保持較高水位旱作區(qū)水位一般在0.8～1.5m之間變化，水稻區(qū)水位一般小于0.5m，9普遍下降約1m，水位在1.0～2.0m之間變化。，上升，這時(shí)水位多在1.0m左右，部分田塊水位接近田面地表。要消耗在兩個(gè)方面一是水平排泄到排水溝或二是以土壤凍結(jié)水的形式保持在土壤中，次年的2月下旬至4月上旬，土壤凍結(jié)水融化，水位緩慢上升0.3～0.8m。時(shí)間1991199219931994199519961997199819992000 灌區(qū)水位動(dòng)態(tài)變化 Dynamicchangeofgroundwater灌區(qū)水位年際間保持相對(duì)穩(wěn)定，年平均水位沒有出現(xiàn)持續(xù)上升或持續(xù)下降實(shí)測資料分析表明，在灌溉季節(jié)，大量的灌溉水使水位大面積上升，灌區(qū)退水量急劇增大，水排水量占總退水量的10%～25%；在停灌期，引水量迅速減少，地下水位大面積回落，灌區(qū)退水量急劇減少，水對(duì)退水量的影響更為明顯，水排水量約占退水量的80%。青銅峽河?xùn)|灌區(qū)月引水量、月水位和月退水量之間的關(guān)系3-6。根據(jù)1980～2000年青銅峽河?xùn)|灌區(qū)的退水量、水位資料，灌區(qū)年水位與水量關(guān)系見圖3-7、月水位與月引水量關(guān)系見圖3-8 水位 水位

圖3- 灌區(qū)引水量、水位與退水量關(guān)系

Relationshipofdiversion,groundwatertableandreturnwater

年水位圖3-7灌區(qū)年水位與年退水量關(guān)系 Relationshipbetweenyeargroundwatertableandannualreturnwater 月水位圖3-8灌區(qū)月水位與月退水量關(guān)系 Relationshipbetweenmonthlygroundwatertableandmonthlyreturnwater，可以看出灌區(qū)的水位和退水量之間存在著一定的對(duì)數(shù)相關(guān)關(guān)系，水位越淺，灌區(qū)退水量越大；相反水位越深，灌區(qū)退水量就越小。年退水量與年水位之間的對(duì)數(shù)相關(guān)系數(shù)為-0.667，月退水量與月水位之間的對(duì)數(shù)相關(guān)系數(shù)為-0.731。，180mm，極枯水年份降水100mm。由此可見，降水在灌區(qū)的農(nóng)業(yè)生產(chǎn)中并不處于主導(dǎo)地位，因而也不是影70%～80%6573km2的面積上年降水可形成的 年降水量3-9Fig.3-9Relationshipbetweenannualprecipitationandannualreturnwater 3-10Fig.3-10Relationshipbetweenmonthlyprecipitationandmonthlyreturnwater1980～2000年青銅峽河?xùn)|灌區(qū)的退水量、降水量資料，分別繪出灌區(qū)年降水量3-93-10?？梢钥闯觯邓颗c退水0.409，月降水量與月退水量的相關(guān)關(guān)系明顯大于年1200mm，最大陸面蒸發(fā)量為859.9mm，而年平均降水量僅為180mm。 年蒸發(fā)量3-11年蒸發(fā)量與年退水量關(guān)系圖Fig.3-11Relationshipbetweenannualevaporationandannualreturnwater32110 月蒸發(fā)量3-12灌區(qū)月蒸發(fā)量與月退水量關(guān)系Fig.3-12Relationshipbetweenmonthlyevaporationandmonthlyreturnwater3-113-12?？梢钥闯觯谝粋€(gè)較要水、工業(yè)廢水、生活污水組成，與蒸發(fā)量的關(guān)系不大，在圖3-12上表現(xiàn)為一些不關(guān)聯(lián)分析的關(guān)鍵是找出衡量因間關(guān)聯(lián)度大小的量化方法，若對(duì)于一個(gè)參數(shù)列x0(k)，有幾個(gè)比較數(shù)據(jù)列x1(k)，x2(k)，……xn(k)，可以用下述關(guān)系表述各比較數(shù)列minminx0(k)xi(k)maxmaxx0(k)xi(k(k)

x(k)x(k)maxmaxx(k)x(k 式中，ξi(k)是第k個(gè)時(shí)刻比較曲線x1與參考曲線x0的相對(duì)差值，這種形式的相對(duì)差值稱為xi對(duì)x0在k時(shí)刻的關(guān)聯(lián)系數(shù)。是分辨系數(shù)，一般在0～1之間。

（）ki(min)minx0(kxi(k)x0(kxi(k)kk第二層最小差i(min)minx0(kxi(k)，是指在△1(min)，△2(min)，……△n(min)kmaxmaxx0kxi(k) ir1i

i(kiNk

rixix0、根據(jù)1980～2000年共計(jì)21年的實(shí)際觀測資料，將的退水量數(shù)據(jù)作為參考數(shù)據(jù)k個(gè)時(shí)刻的關(guān)聯(lián)系數(shù)，然后依據(jù)式（3.2）計(jì)算各比較數(shù)據(jù)列與參數(shù)數(shù)據(jù)、 由關(guān)聯(lián)度值得知退水量和引水量水位降雨量蒸發(fā)量的關(guān)聯(lián)度量值依次為、青銅峽灌區(qū)的退水量主要由水稻田面棄水引水渠退水水排水大氣降水、65%、5～811月，這個(gè)時(shí)期的退水量、青銅峽灌區(qū)的退水量主要受灌區(qū)引水量水位降水量和蒸發(fā)量的影響其中、、青銅峽灌區(qū)的年退水量受渠首引水量、水位、退水量、灌區(qū)工業(yè)廢水及生活污水排放量降水量農(nóng)田騰發(fā)量作物種植結(jié)構(gòu)及面積灌溉山洪等因素的影響。這些影響因素具有隨機(jī)性、周期性等特征，對(duì)退水量的影響程度各不相同其中主要影響因素為引水量降水量水位和蒸發(fā)量根據(jù)這些因素與退水量的相互關(guān)系可以建立年退水量的預(yù)測模型。、我國很多灌區(qū)的退水資料序列只有十幾年甚至更短，這就意味著年退水量的預(yù)測只有十幾個(gè)或更少的訓(xùn)練樣本，這么少的樣本不適合采用神經(jīng)網(wǎng)絡(luò)之類需要大量訓(xùn)練用一個(gè)簡單的模型反映問題，就不要采用復(fù)雜的模型。多元逐步回歸模型結(jié)構(gòu)簡單，使用方便，對(duì)樣本數(shù)量的要求也不是太大，是一種理論上已經(jīng)十分成熟，應(yīng)用廣泛的統(tǒng)計(jì)預(yù)測方法，在水利工程、水文水資源方面有著很好的應(yīng)用，比較適合于灌區(qū)年退水量預(yù)測的建模。ry影響程度由大到小的排y逐步回歸過程中顯著性水平將會(huì)選入較多的自變量；假設(shè)隨量y與m個(gè)自變量x1,x2,,xm之間存在著線性相關(guān)關(guān)（如果y與某個(gè)自y

0

~N(0,2

式中:0,

y01z1

xjxjy yy yy

yb'b'zb'

b'm

n

1 22xxx2,mnxxxn,m rry2j

rr

yyr(0，記T(r(0中的元素為r(1

i,

iji,

i,

z1,

zmV(1)

br jbr

(r(0)(r(0)r(0)(r(0)r(0) 1r

j

mV(1)max(V(1))，j1,m

mx

rr(0)r

VSFk1(nS殘(r(0)

S(1)S(1-S(1)r(0

k1,yy,k1r(0)

r(0)V V

rr

如果F (n2)F不成立引入變量工作既可停止否則引入變量x并建 即即

(R(0))

i,i,j在剩余的(l1個(gè)變量中，求V(2j1j

l，jbr brV(2) j

(r(1)(r(1)r(1)(r(1)r(1) 1r

選最大者：V(2)max(V(2

ljk2kV(2)

VF k2 k2 (n3)

S

(n2

S

r(1)

r(1)V

k2,yy,krrk2,k

k2,k歸方程，即：R(2) (R(1))k2,k

r(2)

F

k1,k1(n

R(2k1,r(2)2(nk1, F (2) yy

剔Yes,保留xk1,xk1R(2l

(R(2)

xk1,xk

xklR(llxkll1jV(l)j

(l)r j,y(l)j,r ll

V(l)min(V(l)) t l1S＝r(l) ④重復(fù)⑴～③5）N②③④⑤(lN1 (lN (b(lN

(r(lN)， (lN lN lNV(lN

No,rk若Frk則

(lN)

V(lN1)(nlN1)F(1,nlN1)

R(lN1)

(R(lNyr(lN1)xr(lN1)

r(lN1)

r(lN1) 2

3

lN1,ylNlNb'b'xb'lN 1 2 3 lN

blN1xlNbyb' jbylN1x jj 將灌區(qū)1980～2000年的年退水量作為響應(yīng)變量，年引水量、年降水量、年水位Y17.310.583X145.26lnY37.431.259X1Y64201990 圖4- Actualvalueandsimulativevalueofannualreturnwatervolumeinirrigation501990 ActualvalueandsimulativevalueofannualreturnwatervolumeinHexi4-14-2?？梢钥闯觯嚆~峽河?xùn)|、河西灌區(qū)的年退水量模型的擬合精度都比較4.850.4495%10%20.5%4.441.00F檢驗(yàn)，檢驗(yàn)的顯著性水平0.54.41。F值為47.16F值為67.17，都通過0.5河?xùn)|灌區(qū)的模型常數(shù)項(xiàng)的t4.22，引水量的20022003X2，年水4-1。4-1Tab.4-1Predictedvalueanderrorysisofstepwise21年，序列較短，不宜采用青銅峽河?xùn)|、河西灌區(qū)的年退水量模型的預(yù)報(bào)變量是不同的，河?xùn)|灌區(qū)年退水量模型的預(yù)報(bào)變量年引水量、年水位，河西灌區(qū)年退水量模型的預(yù)報(bào)變量是年引水量、年降水量。這表明河?xùn)|、河西灌區(qū)在退水規(guī)律上是不完全相同的。造成灌區(qū)退水系統(tǒng)的下墊面條件改變，如果使用固定參數(shù)的模型則只能反映訓(xùn)練模型所使用的歷史信息不能動(dòng)態(tài)地反映水系統(tǒng)及其邊界條件的變化隨著時(shí)間的變化必然造成模型的失效，所以必須使用動(dòng)態(tài)模型來模擬退水系統(tǒng)。本章利用BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，將基于Levenberg-Marquardt算法（簡稱LM算法）LM算法，1010個(gè)神經(jīng)認(rèn)為是最復(fù)雜、最完美、最有效的一種信息處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworksANN）是對(duì)人腦若干基本特性通過數(shù)學(xué)方法進(jìn)行抽象和模擬，是一種模BP網(wǎng)絡(luò)是指在具有非線性傳遞函數(shù)神經(jīng)元構(gòu)成的采用誤差反向算法(BP—Back的前饋網(wǎng)絡(luò)5-1所示。已經(jīng)證明具有閾值和至少一個(gè)S型隱含層加上一個(gè)線性輸出層的網(wǎng)絡(luò)，能夠近任何一輸入 隱 輸出圖5- 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) Structureofthree-layersBPneural5-2 Comparisonoffourneuralnetwork1．S型函數(shù)(Logisticf(x)

1e

該函數(shù)應(yīng)用最為廣泛，S型函數(shù)在x=02．線性函數(shù)f(x)x3．S型函數(shù)＋線性函數(shù)(Sigmoid+

f(x)4．立方核函數(shù)(Cubic

1e

f(x)x3x

BP模型實(shí)現(xiàn)了多層網(wǎng)絡(luò)學(xué)習(xí)的設(shè)想。當(dāng)給定網(wǎng)絡(luò)的一個(gè)輸入模式時(shí)，它由輸入層單元傳到隱層單元，經(jīng)隱單元逐層處理后再送到輸出層單元，由輸出層單元處理后產(chǎn)生一個(gè)輸出模式，這是一個(gè)逐層狀態(tài)更新過程，稱為前向。如果輸出響應(yīng)與期望輸出模式有誤差，不滿足要求，那么就轉(zhuǎn)入誤差后向，將誤差值連接通路逐層傳重復(fù)前向和誤差后向過程當(dāng)各個(gè)訓(xùn)練模式都滿足要求時(shí)就認(rèn)為BP網(wǎng)絡(luò)已學(xué)習(xí)好了。BPP網(wǎng)絡(luò)屬于有導(dǎo)師絡(luò)，學(xué)習(xí)時(shí)要輸入訓(xùn)練樣本，每輸入一次全部訓(xùn)練樣本稱即待組成一個(gè)訓(xùn)練周期的全部樣本都依次輸入后計(jì)算總的平均誤差；最后一種是當(dāng)訓(xùn)練njyj(n)ej(n)=dj(n)— 式中：ej(n)j個(gè)單元的誤差信號(hào)；dj(n)j個(gè)單元的期望輸出；yj(n)jje2(n)j (n)1e2

其中c包括所有輸出單元。設(shè)訓(xùn)練集中樣本總數(shù)為N

1N

AVAVAV是所值和閾值以及輸入信號(hào)的函數(shù)經(jīng)典的反向算法（應(yīng)用梯度下降法修正網(wǎng)絡(luò)權(quán)值）步驟可歸納如下初始化，選定合理的網(wǎng)絡(luò)結(jié)構(gòu)，置所有可調(diào)參數(shù)（權(quán)和閾值為均勻分布的較小數(shù)值。（1）ljvv(n)w(n) (l (l (l

iy(l1n為前一層（l－1）層）i送來的工作信號(hào)（i=0i0y(l1)(n)0w(ln)l(njSigmoidj jy(l)(n)j

j1exp(v(l)j

且y(l) exp(v(l)'(v(n))

y(l)(n)(1y(l)

v 1exp(v(l) j屬于第一隱層（l=1，則有 y(0)(n)x 若神經(jīng)元屬于輸出層（l＝L）,

y(Ln)O(n （3）反向計(jì)算（6）：

ej(n)dj(n)Oj

(L)(n)e(L)(n)O(n)(1

(l)(n)y(l)(n)1y(l)(n)(l1)(n)w k

（3）

w(l)(n1)w(l)(n)(l)(n)y(l)

取值足夠大，又不致產(chǎn)生振蕩，通常在上面權(quán)值修正中再加一個(gè)勢態(tài)項(xiàng)，

w(l)(n1)w(l)(n)(l)(n)y(l)(n)(w(l)(n)w(l)(n

為一常數(shù)，稱為勢態(tài)因子，它決定上一次學(xué)習(xí)的權(quán)值變化對(duì)本次權(quán)值更新的影響程n=n+1，輸入新的樣本（或新一周期樣本）AV標(biāo)準(zhǔn)BP算法神經(jīng)網(wǎng)絡(luò)（SDBP）是通過訓(xùn)練誤差反向，修改網(wǎng)絡(luò)權(quán)重來實(shí)現(xiàn)對(duì)（MOBP（VLBP）（CGBP，（GNBPLevenberg-Marquardt算法是法的變形，下面從性能指數(shù)是一組平方和的方LM算法進(jìn)行介紹：F(X)的方法Xk

AA

kkA2F(X)XXkkgkF(X)XXkFXFF(X)v(X)v(X)v(Xi ij

jF(X)j

F(X

NN2vi(X

F(X)2JT(X)V(X

12 v(X12 v(X v(X)

下一步計(jì)算矩陣，矩陣的k,j 2F(X

2v(X) F(X)]k,j 2

i1

xixj[2F(X)]2JT(X)J(X)2S(X

（5-SS(X)vi(X)v(Xi iS(X)很小，可以將矩陣近似表示[2F(X)]2JT(X)J(X將式（5.25）和式（5.19）代入式（5.17，可以得到高斯-方法

Xk1XKJT(XK)J(XK)1JT(XK)V(XK

高斯－方法的優(yōu)點(diǎn)是不需要計(jì)算二階導(dǎo)數(shù)，但高斯-方法的最大問題是陣HJTJ可能不可逆，所以可用近似矩陣改進(jìn)

GH

H nZ1 ZnG

GZiHIZiiZiZi(i

HGiii0GLevenberg-MarquardtXk1XkJT(Xk)J(Xk)kI1JT(Xk)V(Xk

Xk

Xk

JT(

)Xk

1 1當(dāng)k下降到0的時(shí)候，算法就變成了斯－算法3層（輸入層、輸出層、隱層）Levenberg-Marquardt算法的神經(jīng)S1S2個(gè)神經(jīng)元，W1,W2 eNxT(x)

b2

S2VT(x)

，LM （１）aeF(x)（２）初始化敏感度，進(jìn)行反向計(jì)算，計(jì)算雅可比陣的元素，將結(jié)果寫入式（３）解式（3-34）xk（４）xkxkxk為權(quán)值和偏置值矩陣）1步中計(jì)算所xkxk1xkxk13（５）達(dá)到設(shè)定的網(wǎng)絡(luò)收斂條件，退出訓(xùn)練 相關(guān)網(wǎng)絡(luò)參數(shù)

e1(x)

S1,S

S e e 2 J(x)eNeNS1,SeNeN(x)1S e e e(x)S1,S1S

eN eN xJT(x)J(x)I1JT(x)V(x

F(x1F(xF(xk減少到很小時(shí)，算法接近于高斯－算法，從這方面來講LM算法同時(shí)具有高BPLM算法也不能克服這個(gè)缺點(diǎn)。在訓(xùn)練集相同的情況下，BP網(wǎng)絡(luò)的收斂精度取決于此次訓(xùn)練的初始BP網(wǎng)絡(luò)收斂于局部最小點(diǎn)的問題。BP（w）和偏置值b）e高斯算法和標(biāo)準(zhǔn)BP算法的結(jié)合，同時(shí)具有高斯算法的快速收斂特性和標(biāo)準(zhǔn)BP168組，檢驗(yàn)集數(shù)據(jù)為16組。使用編制訓(xùn)練程序，分別固定訓(xùn)練精度（模擬值的0.02）和訓(xùn)練次數(shù)（50000次，對(duì)幾種算法的收斂速度和精度進(jìn)行比較，結(jié)5-15-2：5-15000 Theconvergingprecisionafter5000timestrainingsofvariousneural算法名 均方誤 表5-2基于不同算法的神經(jīng)網(wǎng)絡(luò)模型達(dá)到相同精度（0.02）時(shí)所需的訓(xùn)練次數(shù) Thetimesneededtogetuniformprecisionbasedonvariousneuralnetwork 5-15-26P算法共軛梯度算法和高斯算法雖然對(duì)網(wǎng)絡(luò)的訓(xùn)練速度不如啟發(fā)式算法敏感但共軛梯度算法的收斂梯度和高斯算法的誤差函數(shù)矩陣易出現(xiàn)異常，導(dǎo)致程序在未達(dá)到訓(xùn)MMM算法的反向過程中需要求一個(gè)nn矩陣的逆n是網(wǎng)絡(luò)中所值和偏置值數(shù)量的和，n達(dá)到幾千的大型網(wǎng)絡(luò)面前，它的加速優(yōu)勢將會(huì)BPBP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單可操作性強(qiáng)具有大規(guī)模并行處理分布式自適應(yīng)性、BP3誤差函數(shù)的性能曲面可能有多個(gè)局部極小點(diǎn)，而且在參數(shù)空間的不同區(qū)域曲率也是變化（收斂精度M算法，它每次均不相同，這就是盡管設(shè)定的收斂速度相同但BP現(xiàn)在最常用的神經(jīng)網(wǎng)絡(luò)編程工具是神經(jīng)網(wǎng)絡(luò)工具箱它對(duì)常用的BP算法有240.014那次的最終收斂參數(shù)作為退水量模型的網(wǎng)絡(luò)參數(shù)。5-3 Convergingprecisionofnetworkneuralforecastingmodelofreturnwatervolumewithrandomparameters123456789BP的模擬精度卻很低。BPOckham【130。網(wǎng)絡(luò)參數(shù)數(shù)量的計(jì)算式為：5.33Nm

mmNSi(ni

Siini為網(wǎng)絡(luò)第i23，3(31311)18表5- 不同數(shù)量訓(xùn)練數(shù)據(jù)情況下退水量神經(jīng)網(wǎng)絡(luò)模型收斂精度 Convergingprecisionofneuralnetworkforecastingmodelofreturnwatervolumewithdifferentamounttrainingdata也可以采用網(wǎng)絡(luò)訓(xùn)練集精度和檢驗(yàn)集精度的平均值作為網(wǎng)絡(luò)的收斂精度，權(quán)重的分配可根據(jù)訓(xùn)練集數(shù)據(jù)和檢驗(yàn)集數(shù)據(jù)的數(shù)量來設(shè)定，收斂精度常采有均方誤差表示。BP神經(jīng)網(wǎng)絡(luò)建模利用已有的數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)模型，訓(xùn)練后的網(wǎng)絡(luò)模型能存貯經(jīng)驗(yàn)和推建立有學(xué)習(xí)功能的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型是利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力把神經(jīng)網(wǎng)靜態(tài)的數(shù)據(jù)集模型只能反映某一特定時(shí)段訓(xùn)練集的所包含的歷史信息而基于學(xué)習(xí)的動(dòng)態(tài)神經(jīng)模型的訓(xùn)練集是一個(gè)可更新的數(shù)據(jù)庫，模型可以動(dòng)態(tài)的學(xué)習(xí)分析對(duì)OleDbConnection、OleDbD、mand、OleDataReader、DataSet5個(gè)類完成模型訓(xùn)練程序?qū)ccess訓(xùn)練集數(shù)據(jù)庫的。根據(jù)本文第三章灌區(qū)引水量、降水量、水位、蒸發(fā)量對(duì)退水量的影響程度分析，月水位月降水量作為LM算法的退水量神經(jīng)網(wǎng)絡(luò)模型的輸入變量月退水量為輸出31nn

a確定【131～132nma1～103n1124個(gè)。LM算法的退水量神經(jīng)網(wǎng)5-3(N為訓(xùn)練集輸入數(shù)據(jù)對(duì)數(shù))。5-3Fig.5-3StructureofthereturnwaterneuralnetworkVB.NetLM50次LM算法的神經(jīng)網(wǎng)絡(luò)具有在幾百次以內(nèi)就完成一次收斂訓(xùn)練的良好特性，所以連續(xù)進(jìn)50次收斂的訓(xùn)練時(shí)間不會(huì)過長。AccessDDE(動(dòng)態(tài)數(shù)據(jù)交換)和特性。以青銅峽灌區(qū)1980～2001年的月退水量及其主要影響因素資料為輸入數(shù)據(jù)，Access數(shù)據(jù)庫。VB.NET進(jìn)行數(shù)據(jù)庫編程主要利用的是ADO.NET,它是.NETFrameWorkSDK中用以操作數(shù)據(jù)庫的一系列類庫的總稱,對(duì)Access數(shù)據(jù)庫的訪問是由ADO.NET中的 、mand、OleDataReader、DataSet等5個(gè)類來完成的基于LM算法的神經(jīng)網(wǎng)絡(luò)退水量預(yù)測模型數(shù)據(jù)庫實(shí)現(xiàn)模型的學(xué)習(xí)的ConnectionString屬性，到目標(biāo)數(shù)據(jù)庫的數(shù)據(jù)適配器，生成數(shù)據(jù)集（DataSet；（３）在退水量預(yù)測模型程序設(shè)計(jì)界面上導(dǎo)入mand（４）OleDataReadermand實(shí)現(xiàn).NET數(shù)據(jù)庫程序?qū)?shù)據(jù)庫的步驟1、2同上，然后在.NET環(huán)境中程序設(shè)計(jì)界面上完成項(xiàng)目對(duì)數(shù)據(jù)的綁定，在程序代碼中使用OleDbDataAdapter類所、灌區(qū)月退水量神經(jīng)網(wǎng)絡(luò)模型的輸入輸出包括引水量降水量水位退水量各個(gè)輸入輸出因子量綱不同，數(shù)據(jù)的取值范圍也不同，差別很大，不能直接用于網(wǎng)絡(luò)0～1、5.34[156]進(jìn)行預(yù)T

Tmax

(X

X

XmaxX

Xmax,XminTTmax,TminTmin0.2網(wǎng)絡(luò)模型運(yùn)行后，數(shù)據(jù)的還 為式5.35X

XmaxXmin(T

VB.NET編制的退水量神經(jīng)網(wǎng)絡(luò)模型程序，采用數(shù)據(jù)庫中前后兩個(gè)不同時(shí)段的03，數(shù)據(jù)庫進(jìn)行訓(xùn)練。灌溉期的神經(jīng)網(wǎng)絡(luò)模型與灌區(qū)數(shù)據(jù)庫相結(jié)合，根據(jù)20014～18組數(shù)據(jù)，訓(xùn)練完成后得到灌區(qū)月退水量的預(yù)測模5-45-5：退水量（億退水量（億 年份5-4Fig.5-4ActualvalueandsimulativevalueofmonthlyreturnwaterinHedongirrigation5退水量（億退水量（億3210 年份5-5Fig.5-5ActualvalueandsimulativevalueofmonthlyreturnwaterinHexiirrigation27.48%12.580.35。將2002年4～115-55-6： 河?xùn)|灌區(qū)2002年月退水量預(yù)測值與實(shí)際 ActualvalueandpredictedvalueofmonthlyreturnwaterinHedongirrigation4567891011相對(duì)誤差 河西灌區(qū)2002年月退水量預(yù)測值與實(shí)際 ActualvalueandpredictedvalueofmonthlyreturnwaterinHexiirrigation4567891011相對(duì)誤差10.39.%7.830.22。量與相應(yīng)時(shí)段的引水量相除得到一個(gè)系數(shù)用此系數(shù)進(jìn)行灌區(qū)退水量分析的法例0.584，在實(shí)用中根據(jù)此系數(shù)和灌區(qū)的引水量就可以估算出灌區(qū)的退水量。水量的預(yù)測精度較低。而基于LM算法的退水量神經(jīng)網(wǎng)絡(luò)模型是一個(gè)考慮了影響因5-55-6LMBP神經(jīng)網(wǎng)絡(luò)有著容易收斂于局部最小點(diǎn)、過度訓(xùn)練、外推能力差等問題，本BP神經(jīng)網(wǎng)絡(luò)模型雖然能7.83％。，排水溝布置襯砌長度灌水方法以及灌溉管理方面都發(fā)生了較大變化灌區(qū)田間如青銅峽灌區(qū)的退水量從2000年開始逐步減少，至2003年已減少到1980～200060%使原來的退水資料已經(jīng)不能較好地反映灌區(qū)目前的退水規(guī)律，從而使可用于建立灌區(qū)退水模型的資料系列變短，樣本數(shù)量減少。，支持向量機(jī)最初于20世紀(jì)90年代由學(xué)者Vapnik提出，近年來在理論研究和算機(jī)器學(xué)習(xí)(MachineLearning)是研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲?。ǎ保ǎ玻〨

xRnF(x（６）（７）S（１０）x y

Fyx 學(xué)習(xí)機(jī)器（１９）LM

f(x,a)（２５）xA（２８）ASSG圖6- Generalmodelofswatch(x,y(訓(xùn)練集)xyyyf(x,a)xA中選擇出能夠最好地近訓(xùn)練器響應(yīng)的函數(shù)。這種選擇是基于訓(xùn)練集的，訓(xùn)練F(x,y)F(x)Fyxl

(xl

為了選擇所能得到的對(duì)訓(xùn)練器響應(yīng)最好的近，就要度量在給定輸xyf(xaLyF(x,y))R(a)L(y,f(x,a))dF(x,

F(x,y)未知，所有可用的信息都包含在訓(xùn)練集式（6.1）f(xa0，使它（f(x,a)xA上）R(a)（３）yf(x,a)xA

F(x,y)F(x)F(y

L(y,f(x,a))(yf(s,下使泛函式（6.2）

F(xy未知，但數(shù)據(jù)（6.1）式已知的情況下，對(duì)采用式（6.4）損失函數(shù)的風(fēng)險(xiǎn)泛函

(a)1l

L(y,f(x,

對(duì)損失函數(shù)（6.4）最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)在多年的機(jī)器學(xué)習(xí)方法研究中占據(jù)了主要地位,但ERM準(zhǔn)則代替期望風(fēng)險(xiǎn)最小化沒有經(jīng)過充分的理論論證，只是直觀上合理的想當(dāng)然做法。ERM準(zhǔn)則不成的復(fù)雜性不但應(yīng)與所研究的系統(tǒng)有關(guān)，而且要和有限數(shù)目的樣本相適應(yīng)。因此,需要一種廣性的界，與此相關(guān)的一個(gè)概念是VC維。VCVC維(Vapnik--ChervonenkisDimension)。模式識(shí)別2hhVC維就是VC維可以通過用一定的閾值將它轉(zhuǎn)化成指示函數(shù)來定義。nVCn+1f(xa)sin(axVC(如神經(jīng)網(wǎng)絡(luò)Remp(wR(w)1R(w)

(w) n差)VC維及訓(xùn)練樣本數(shù)相關(guān)。可以簡單地表R(w)Remp(w)(h

式（6.7）VC維越高(復(fù)雜性越高)則置信范VC維盡量小，以縮小置信范圍，從上面的結(jié)論可知，ERM原則在樣本有限時(shí)是不合理的，需要同時(shí)最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)hn值適當(dāng)，則可以取得比較好的效果。但因?yàn)槿狈碚撝笇?dǎo)，這種選擇只能依賴SRM準(zhǔn)則下實(shí)際風(fēng)險(xiǎn)收斂的性質(zhì)。0支持向量機(jī)(SupportVectorMachine或SVM)，是統(tǒng)計(jì)學(xué)習(xí)理論中的內(nèi)容，也是2090年代以來受到越來越多的重視，很大程度上是因?yàn)樗l(fā)展出SVM是從線性可分情況下的最優(yōu)分類而發(fā)展而來的，下面通過最優(yōu)超平面來說明支(xy ,(xyxRny11 w.xb

2ww2H1HH6-2 Bestclassified使分類間隔最大實(shí)際上就是對(duì)推廣能力的控制這是支持向量機(jī)的思想之一統(tǒng)計(jì)學(xué)習(xí)理論，在N中，設(shè)樣本分布在一個(gè)半徑RwAf(x,w,b)sgn(w.x)sgn為符號(hào)函數(shù))VC

w2VCSRM準(zhǔn)則中對(duì)函數(shù)復(fù)雜性的選擇。Lagrange優(yōu)化方法可以把上述最優(yōu)分類面問題轉(zhuǎn)化為其對(duì)偶問題，即：在約束nnyiai,,

ai

ai 1Q(a)ai2aiajyiyj(xi.xj

i,jaiLagrange存在唯一解。容易證明，解中將只有一部分（通常是少部分ai

ay(x.x)b

i 性不可分的情況下，可以在條件（6.8）i0,,

yi(wi.x)b1i

i1,

(w,)2

ii

,,

0ai

N中的線性函數(shù)，VCN1，但根據(jù)式（6.9）wAVCxixj。這樣，在高實(shí)際上只需進(jìn)行內(nèi)積運(yùn)算，而這種內(nèi)積運(yùn)算是可以用原空時(shí)目標(biāo)函數(shù)（6.12） 1Q(a)ai2aiajyiyjK(xi.xj

i,jf(x)sgn

ayK(x.x)b

i SVM分類函數(shù)形式上類似于一個(gè)神經(jīng)網(wǎng)絡(luò)，輸出是中間節(jié)點(diǎn)的線性組合，每個(gè)中間yf?(xxRdyRfRdR

f(x,y),(x,y (x,y),xRd,y

L(f?ff

b,表示內(nèi)積fJ2

w2

L(f(xi,yi

CL(通常采用不靈敏區(qū)圖6- 不靈敏函 unsensitiveL(x,y)

f(xi)

f(xy 因而，用于函數(shù)近的支持向量機(jī)可以表示 min2

w2i

(

yi

w,xib

b

, theory，把它rLagrangerl(w,,)

w2

()a(yw,

a(yw,xb)(

ii iii wb,, lw

(aa)x

rlr

(aa)

Ca

Ca 221 min2(aiai)(ajaj)xi,xjai(yi)ai(yi

i,

(aiai)sta,a0,

（6.24，rw(aar

b)a(yw,

b)

和(Ca)

由此可以得出，位于不靈敏區(qū)內(nèi)的樣本點(diǎn)其對(duì)應(yīng)a和a都等于零，外部的點(diǎn)對(duì)應(yīng)有a i或a0i和均為零，因而a(0C

,ai(0,i,a(0,i

b與aiCa0x rw(aa)x(aar

x(x)（Hilbert函數(shù)（6-24a）

b1 min2(aiai)(ajaj)(xj),(xj)ai(yi)ai(yi

i,j24b

rw(aa)xr

在支持向量機(jī)中引入核函數(shù)(Kernelfunction)來簡化非線性近核函數(shù)k(x,x)滿這樣式（6.30）

k(x,x)

1 min2(aiai)(ajaj)k(xi,xj)ai(yi)ai(yi

i,

r由式（6.24b）和式（6.33）f(x)(aa)k(xxbwr 算非線性映射。核函數(shù)k(xxMercer條件。目前研究最多的核函數(shù)主k(x,x)

x,

pN,c

p階多項(xiàng)式分類器。k(x,x)exp(gxx

RBF方法的區(qū)別是，這里每個(gè)基函數(shù)中心對(duì)應(yīng)一個(gè)支持向量，它Sigmoidk(x,x)tanh(v(xx)

這時(shí)SVM,(x,(xl,yl

(x1,y1

Rn

f(x)wT(x)

Min2

w2r1(2

2iii

ywT(x)b stii求解式（6.40）LagrangeiL1w2r12i

a(wT(x)by

2

aiLagrange乘子；常數(shù)

的aibKKT（Karush-Kuhn-Tucker）l0w

ai(xi

ll0

ai

0

0wT(x)b （6.42

b

0 K(X,

)1 K(X,X

K(X,X

a

y

1 1 K(X2,X1 K(X2,X2)1 K(X2,Xn a2＝y(tǒng)2

K(Xn,X1

K(Xn,X2

K(xixjff(x)w(x)baK(x,x) ,(xn,(x,y),,(xn,

xRdyRy代表退水量，x llf(x)aik(xi,x)

3章對(duì)灌區(qū)退水規(guī)律和退水量影響因素的分析，灌區(qū)月退水量的主要影響因 Tab.6-1Correlationbetweenthemonthlyreturnwatervolumeanditsinfluence---1998年～20014～