conhocngocnghech_2007
New Member
Download miễn phí Báo cáo Áp dụng phần mềm mạng thần kinh nhân tạo dự báo lũ hạ lưu sông Thu Bồn – Vu Gia
Thuật toán lan truyền ngược sai số (BP) dựa vào việc khái quát các quy luật delta đã
được đưa ra bởi Rumelhart (1986) để hiệu chỉnh các trọng số của các cung liên kết trong quá
trình luyện mạng.
Lan truyền ngược là một phương pháp cho phép xác định tập trọng tốt nhất của mạng
giải một bài toán được cho. Việc áp dụng phương pháp lan truyền ngược là một quá trình lặp
đi lặp lại nhiều lần hai tiến trình chính: lan truyền tiến để thực hiện ánh xạ và lan truyền ngược
sai số để cập nhật các trọng.
Các trọng của mạng là các hệ số của mô hình. Phương pháp giảm gradient được dùng
để cập nhật những hệ số này sao cho giảm thiểu sai số của mô hình. Sai số được đo bằng
phương pháp sai số trung bình bình phương là phương pháp thường được sử dụng để xây dựng
các mô hình.
Sai số trung bình bình phương thường được sử dụng để đo lường sự trùng khớp giữa
ánh xạ cần xây dựng với hàm đích được cho trước (qua tập mẫu).
Để tải bản Đầy Đủ của tài liệu, xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí
Tóm tắt nội dung tài liệu:
Tuyển tập Báo cáo “Hội nghị Sinh viên Nghiên cứu Khoa học” lần thứ 6 Đại học Đà Nẵng - 2008137
ÁP DỤNG PHẦN MỀM MẠNG THẦN KINH NHÂN TẠO
DỰ BÁO LŨ HẠ LƯU SÔNG THU BỒN – VU GIA
APPLYING ARTIFICIAL NEURAL NETWORKS SOFTWARE FOR FLOODING
PREDICTION IN THU BON – VU GIA RIVERS
SVTH: PHAN TẤN PHÁT
Lớp: 03X2C, Khoa XDTLTĐ, Trường ĐHBK,ĐHĐN
DHKH: GS.TS NGUYỄN THẾ HÙNG.
Khoa XDTLTĐ, Trường Đại học Bách khoa, ĐHĐN
TÓM TẮT:
Đề tài này nghiên cứu, áp dụng phần mềm mạng thần kinh nhân tạo (ANNs) để dự báo lũ ở hạ
lưu sông Thu Bồn – Vu Gia. Phần mềm ANNs có thể được sử dụng tốt như một công cụ trong
việc dự báo lũ mà căn nguyên của kỹ thuật này được m ô phỏng theo hoạt động của bộ não
con người chứa hàng tỉ neurons v ới các mối quan hệ nối liền nhau ; khả năng dự báo, mô
phỏng của mô hình là dựa vào khả năng học những kinh nghiệm trong quá khứ.
Đề tài so sánh số liệu tính toán và dự báo lũ trên hạ lưu sông Thu Bồn – Vu Gia cho thấy có
sự phù hợp tốt; và đề nghị áp dụng phần mềm ANNs trong việc dự báo lũ trên các sông của
khu vực miền Trung.
ABSTRACT:
In this paper, author applly Artificial Neural Networks (ANNs) software to simulate and predict
flood in downstream Thu Bon – Vu Gia Rivers. ANNs softwares can be used as a good tool to
predict flood in rivers that the origin of this technique can be traced to the functioning of the
human brain which contains billions of neurons and their interconnection based on learning
abilities from past experiences. This paper compare the calculation results by data collections
in downstream Thu Bon – Vu Gia rivers with a best agreement; and author suggest to use
ANNs software for predicting flood in many other rivers of central Viet Nam.
1. Đặt vấn đề
1.1. Tổng quan các phương pháp dự báo lũ trên sông hiện nay
Hiện nay có nhiều mô hình dự báo lũ trên mạng lưới sông; trong số đó có thể chia làm
hai nhóm chính là:
- mô hình thuỷ lực thường chính xác hơn, nhưng cần có đầy đủ các số liệu đầu vào như
địa hình, độ nhám lòng dẫn
- mô hình thuỷ văn không đòi hỏi số liệu đầu vào đầy đủ như mô hình thuỷ lực, nhưng bị hạn
chế khi có sự thay đổi địa hình, độ nhám lòng dẫn mà mô hình chưa thể hiệu chỉnh về ảnh
hưởng của nó; cũng như tác động của biên hạ lưu.
1.2. Lựa chọn mô hình toán dự báo
Nhiều lúc trong tính toán dự báo, không có được đầy đủ các số liệu địa hình, nên
không thể áp dụng các mô hình thuỷ lực. Do đó phải sử dụng các mô hình thuỷ văn để dự báo.
Trong bài báo nầy, tác giả thử áp dụng mạng ANNs để dự báo mực nước lũ hạ lưu
sông.
Với mô hình mạng thần kinh nhân tạo có một số ưu điểm và nhược điểm như sau:
a. Ưu Điểm:
- ANNs có khả năng “học” các mối quan hệ giữa các biến đầu vào và đầu ra khi các
quy luật tự nhiên được ưu tiên là không được biết đến hoặc không được biết một cách chính
xác.
- ANNs là một công cụ hữu ích trong việc mô phỏng các quá trình phức tạp.
Tuyển tập Báo cáo “Hội nghị Sinh viên Nghiên cứu Khoa học” lần thứ 6 Đại học Đà Nẵng - 2008
138
- Các thuật toán thì đơn giản và không cần giải các phương trình vi phân từng phần
phức tạp với các bài toán kèm theo giống như tính không ổn định của các thuật toán .
- ANNs làm việc tốt một khi các tập hợp luyện là không đầy đủ hoặc chứa nhiễu .
- ANNs có khả năng phỏng theo các giải pháp vượt thời gian.
- Một khi mạng đã được luyện thì nó được sử dụng một cách dể dàng .
b. Nhược Điểm:
- ANNs yêu cầu dữ liệu phải đầy đủ cả về số lượng lẫn chất lượng . Đây là yêu cầu
quan trọng với tất cả kỹ thuật mô phỏng và ANNs không thể bị loại bỏ .
- Các cách hướng dẫn để chọn cấu trúc mạng cho phù hợp với các bài toá n cũng không
được tìm thấy.
2. Cơ sở lý thuyết của mô hình
2.1. Lan truyền tiến của ANNs
Quá trình lan truyền tiến tính giá trị các nút xuất từ mẫu nhập vào mạng . Tiến trình này
được sử dụng trong hai tình huống: khi luyện mạng và khi sử dụng mạng. Khi luyện mạng, lan
truyền tiến được sử dụng lặp đi lặp lại từ mẫu này đến mẫu khác từ thế hệ này sang thế hệ
khác cho đến khi trọng số đạt đến giá trị thích hợp . Trái lại, khi sử dụng mạng lan tru yền tiến
chỉ được thực thi một lần cho từng mẫu nhập .. Tuy nhiên, dù trong trạng thái luyện mạng hay
sử dụng mạng, các thao tác trong thủ tục lan truyến tiến là như nhau .
Một mạng lan truyền tiến của ANNs có một lớp nhập (lớp input), một lớp xuất (lớp output) và
một hay nhiều lớp ẩn ở giữa lớp nhập và lớp xuất. Mỗi neuron trong một lớp thì kết nối đến
tất cả các neuron của lớp kế tiếp ngay sau nó và các neuron trong cùng một lớp không liên kết
với nhau.
Một neuron đặc trưng được thể hiện trong hình 2. Mỗi neuron nhận tín hiệu từ mỗi
neuron trong lớp liền trước. Mỗi neuron trong lớp ẩn và lớp xuất, mỗi nút nhập thì được nhân
với các trọng số của cung liên kết giữa nút nhập và nút ẩn, tích số của chúng được cộng dồn
lại. Kế tiếp, một hàm truyền được áp dụng trên tổng trọng hóa này cùng với một ngưỡng của
nút ẩn đó để cho ra giá trị thực của nút ẩn. Các trọng số được đưa đến neuron thứ Jth trong một
lớp có dạng vectơ trọng Wj = (w1j,…wij,…,wnj), với wij là trọng số của cung liên kết từ neuron
thứ ith trong lớp liền trước đến neuron trong lớp hiện tại.
Sau khi nén tổng trọng hóa của nó, đến lượt mình, mỗi nút ẩn sẽ gửi kết quả đến tất cả
các nút xuất.
O
ut
pu
t V
ar
ia
bl
es
Output LayerHidden LayerInput Layer
In
pu
t V
ar
ia
bl
es
j y
j
b
j
Xn
Xi
X2
X1
Hình 1 Hình 2
Hình 1: Biểu đồ thể hiện mạng lan truyền tiến 3 lớp của ANNs
Hình 2: Quá trình hoạt động của một nút đặc trưng của ANNs
Mỗi nút xuất thực hiện các thao tác tương tự như đã thực hiện trong nút ẩn để cho ra
giá trị kết xuất của nút xuất. Gía trị của các nút xuất chính là giá trị thực, nghĩa là giá trị của
các biến phụ thuộc cần xác định.
Tuyển tập Báo cáo “Hội nghị Sinh viên Nghiên cứu Khoa học” lần thứ 6 Đại học Đà Nẵng - 2008
139
Hầu hết người ta thường sử dụng hàm truyền mà về mặt hình học, đồ thị của nó có
dạng đường cong dạng chữ S tăng đều đặn, được gọi là hàm Sigmoid hay hàm logistic. Hàm
logistic có các đặc điểm sau:
+ Hàm truyền là hàm bị chặn.
+ Hàm truyền là hàm đơn điệu tăng.
+ Hàm truyền là hàm liên tục và trơn.
Về mặt toán học, hàm logistic được định nghĩa như sau:
1
y
1
1
j
z
e
(1)
Với z = wij Chàûn dæåïi
Chàûn trãn
0.5
f(x)
1
0-15 -10 -5 15105
Hình 3 : Hàm logistic
2.2. Sự chuẩn hóa dữ liệu
Trước khi áp dụng ANNs, dữ liệu đầu vào phải được chuẩn hóa rơi vào trong khoảng
[0,1]. Một biến tượng trưng là lưu lượng Q, biên này có thể thay đổi từ 0 đến một vài giá trị
lớn nhất Qmax có thể được chuẩn hóa bởi công thưc sau :
Qs = Q/Qmax
Với Qs là lưu lượng chuẩn hóa.
2.3. Thuật toán lan truyền ngược sai số
Thuật toán lan truyền ngược sai s