Lịch sử tải xuống

Chưa có lượt tải nào cho tài liệu này.

Ứng dụng phần mềm mạng thần kinh nhân tạo dự báo lũ hạ lưu sông Thu Bồn - Vu Gia

Ảnh của Trương Thế Diệu
Truong The Dieu(2,424 tài liệu)
(0 người theo dõi)
Lượt xem 12
0
Tải xuống
(Lịch sử tải xuống)
Image CAPTCHA
Nhập các ký tự hiển thị trong ảnh.
Số trang: 7 | Loại file: PDF
  • Tuyển tập Báo cáo “Hội nghị Sinh viên Nghiên cứu Khoa học” lần thứ 6 Đại học Đà Nẵng - 2008
    137
    ÁP DỤNG PHẦN MỀM MẠNG THN KINH NHÂN TẠO
    DỰ BÁO LŨ H 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 TT:
    Đề tài này nghiên cứu, áp dụng phần mềm mạng thần kinh nhân tạo (ANNs) để dự báo lũ ở h
    lưu sông Thu Bồn Vu Gia. Phầ n mề m ANNs có thể đượ c sử dụ ng tố t như mộ t công cụ trong
    việ c dự bá o lũ mà căn nguyên củ a kỹ thuậ t nà y đượ c m ô phng theo hoạt đng ca b no
    con ngườ i chứ a hà ng tỉ neurons v ới các mi quan h ni liền nhau ; kh năng d báo,
    phng ca mô hình là dựa vào khả năng học những kinh nghim trong quá khứ.
    Đề tài so sánh s liu nh toán dự báo trên h lưu sông Thu Bồn Vu Gia cho thấy
    s phù hợp tt; đề ngh áp dụng phần mềm ANNs trong vic dự báo trên các sông ca
    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 hình dự báo trên mạng lưới sông; trong số đó thể chia làm
    hai nhóm chính là:
    - hình thuỷ lực thường chính xác hơn, nhưng cần phải đầy đủ các số liệu đầu vào như
    địa hình, độ nhám lòng dẫn
    - hình thuỷ văn không đòi hỏi số liệu đầu vào đầy đủ như hình thuỷ lực, nhưng bị hạn
    chế khi sự thay đổi địa hình, độ nhám lòng dẫn 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 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, c giả thử áp dụng mạng ANNs để dự báo mực nước 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 “họ c” cá c mố i quan hệ giữ a cá c biế n đầ u và o và đầ u ra khi cá c
    quy luậ t tự nhiên đượ c ưu tiên là không đượ c biế t đế n hoặ c không đượ c biế t mộ t cá ch chí nh
    xác.
    - ANNs là ̣ t công cụ hữ u í ch trong việ c mô phỏ ng cá c quá trình phc tạp.
  • Tuyển tập Báo cáo “Hội nghị Sinh viên Nghiên cứu Khoa học” lần thứ 6 Đại học Đà Nẵng - 2008
    138
    - Các thut toán thì đơn giản và không cần giải các phương trình vi phân tng phần
    phứ c tạ p vớ i cá c bà i toá n kè m theo giố ng như tí nh không ổ n đị nh củ a cá c thuậ t toá n.
    - ANNs là m việ ć t mộ t khi cá c tậ p hợ p luyệ n là không đầ y đủ hoặ c ć a nhiễ u.
    - ANNs có khả năng phỏ ng theo cá c giả i phá p vượ t thờ i gian.
    - ̣ t khi mạ ng đã đượ c luyệ n thì nó đượ c sử dụ ng̣ t cá ch dể dà ng.
    b. Nhược Điểm:
    - ANNs yêu ̀ u dữ liệ u phả i đầ y đủ cả về ́ lượ ng lẫ n ć t lượ ng . Đây là yêu cầ u
    quan trọ ng vớ i tấ t cả kỹ thuậ t mô phỏ ng và ANNs không thể bị loạ i bỏ .
    - Các cách hướng dẫn để chn cấu trúc mạng cho ph hợp với các bài toá n cũ ng không
    đượ c tì m thấ y.
    2. Cơ sở lý thuyết của mô hình
    2.1. Lan truyề n tiế n củ a ANNs
    Quá trình lan truyền tiến tính giá trị các nút xuất t mẫu nhp vào mạng. Tiế n trình nà y
    đượ c sử dụ ng trong hai tì nh huố ng: khi luyệ n mạ ng và khi sử dụ ng mạ ng. Khi luyệ n mạ ng, lan
    truyề n tiế n đượ c sử dụ ng lặ p đi lặ p lạ i từ ̃ u nà y đế n mẫ u khá c từ t́ ̣ nà y sang thế ̣
    khác cho đến khi trng số đạt đến giá trị thích hợp . Trái lại, khi sử dụ ng mạ ng lan tru yề n tiế n
    chỉ được thực thi một lần cho tng mẫu nhp .. Tuy nhiên, d trong trạng thái luyện mạng hay
    ̉ dụ ng mạ ng, các thao tác trong thủ tục lan truyến tiến là như nhau.
    Một mạng lan truyền tiến của ANNs một lớp nhp (lớp input), một lớp xuất (lớp output) và
    một hoặc nhiều lớp ẩn giữa lớp nhp lớp xuất. Mỗi neuron trong một lớp thì kết nối đến
    tất cả các neuron của lớp kế tiếp ngay sau nó các neuron trong cng một lớp không liên kết
    với nhau.
    Một neuron đặc trưng được thể hiện trong hình 2. Mỗi neuron nhn tín hiệu t mỗi
    neuron trong lớp liền trước. Mỗi neuron trong lớp ẩn lớp xuất, mỗi nút nhp thì được nhân
    với các trng số của cung liên kết giữa nút nhp nút ẩn, tích số của chúng được cộng dồn
    lại. Kế tiếp, một hàm truyền được áp dụng trên tổng trng hóa y cng với một ngưỡng của
    nút ẩn đó để cho ra giá trị thực của nút ẩn. Các trng số được đưa đến neuron th J
    th
    trong một
    lớp có dạng vectơ trng W
    j
    = (w
    1j
    ,…w
    ij
    ,…,w
    nj
    ), với w
    ij
    trng số của cung liên kết t neuron
    th i
    th
    trong lớp liền trước đến neuron trong lớp hiện tại.
    Sau khi nén tổng trng hóa của nó, đến lượt mình, mỗi nút ẩn sẽ gửi kết quả đến tất cả
    các nút xuất.
    Output Variables
    Output Layer
    Hidden Layer
    Input Layer
    Input Variables
    j
    y
    j
    b
    j
    Xn
    Xi
    X
    2
    X
    1
    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 ơng tự như đã thực hiện trong nút n để cho ra
    giá trị kết xuất của nút xuất. Gía trị của các nút xuất chính giá trị thực, nghĩa 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 về mặt hình hc, đồ thị của
    dạng đường cong dạng chữ S tăng đều đặn, được gi 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 hc, hàm logistic được định nghĩa như sau:
    1
    y
    1
    1
    j
    z
    e
    (1)
    Với z = w
    ij
    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 lưu lượng Q, biên y thể thay đổi t 0 đến một vài giá trị
    lớn nhất Q
    max
    có thể được chuẩn hóa bởi công thưc sau :
    Q
    s
    = Q/Q
    max
    Với Q
    s
    là lưu lượng chuẩn hóa.
    2.3. Thuật toán lan truyền ngược sai số
    Thut toán lan truyền ngược sai số (BP) dựa vào việc khái quát các quy lut delta đã
    được đưa ra bởi Rumelhart (1986) để hiệu chỉnh các trng số của các cung liên kết trong quá
    trình luyện mạng.
    Lan truyền ngược một phương pháp cho phép xác định tp trng tốt nhất của mạng
    giải một bài toán được cho. Việc áp dụng phương pháp lan truyền ngược 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 cp nht các trng.
    Các trng của mạng các hệ số của hình. Phương pháp giảm gradient được dng
    để cp nht những hệ số y sao cho giảm thiểu sai số của 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 trng khớp giữa
    ánh xạ cần xây dựng với hàm đích được cho trước (qua tp mẫu).

Thông tin tài liệu

Ngày đăng: 29/11/2015 , 21:26

Mô tả tài liệu:

Ứng dụng phần mềm mạng thần kinh nhân tạo dự báo lũ hạ lưu sông Thu Bồn - Vu Gia

Tuyển tập Báo cáo “Hội nghị Sinh viên Nghiên cứu Khoa học” lần thứ 6 Đại học Đà Nẵng - 2008 137 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. Phầ n mề m ANNs có thể đượ c sử dụ ng tố t như mộ t công cụ trong việ c dự bá o lũ mà căn nguyên củ a kỹ thuậ t nà y đượ c m ô phng theo hoạt đng ca b no con ngườ i chứ a hà ng tỉ neurons v ới các mi quan h ni liền nhau ; khả năng dự báo, mô phng ca mô hình là dựa vào khả năng học những kinh nghim trong quá khứ. Đề tài so sánh s liu tính toán và dự báo lũ trên hạ lưu sông Thu Bồn – Vu Gia cho thấy có sự phù hợp tt; và đề nghị áp dụng phần mềm ANNs trong vic dự báo lũ trên các sông ca 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 phải 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 “họ c” cá c mố i quan hệ giữ a cá c biế n đầ u và o và đầ u ra khi cá c quy luậ t tự nhiên đượ c ưu tiên là không đượ c biế t đế n hoặ c không đượ c biế t mộ t cá ch chí nh xác. - ANNs là mộ t công cụ hữ u í ch trong việ c mô phỏ ng cá c quá trình phc tạp.

Tin mới nhất

Trang