郭 皓, 邢贞相,2,3, 付 强,2,3, 李 晶

(1.东北农业大学 水利与建筑学院, 哈尔滨 150030; 2.黑龙江省粮食产能提升协同创新中心,哈尔滨 150030; 3.黑龙江省高校节水农业重点实验室, 哈尔滨 150030)

基于密度参数K-均值算法的RBF网络及其在降水量预测中的应用

郭 皓1, 邢贞相1,2,3, 付 强1,2,3, 李 晶1

(1.东北农业大学 水利与建筑学院, 哈尔滨 150030; 2.黑龙江省粮食产能提升协同创新中心,哈尔滨 150030; 3.黑龙江省高校节水农业重点实验室, 哈尔滨 150030)

径向基函数(Radial Basis Funtion，简称RBF)神经网络是一种收敛速度快、逼近能力强的前馈型神经网络。为提高网络的训练速度，采用基于密度参数的K-均值算法，消除传统K-均值算法对初始聚类中心的敏感性，构建了基于K-均值算法的RBF降水预报模型，并应用于挠力河流域的友谊农场汛期月降水量预报中，以检验所建模型的有效性。结果表明，与标准的K-均值算法RBF网络模型和BP(Back Propagation)网络模型相比，所构建的RBF降水预报模型对2008年，2009年，2010年各年间汛期(6—9月)降水量的预测平均相对误差为9.270 7%；确定性系数为0.96。预报精度均有所提高，且满足水文预报要求。

水文学； 降水量预测； 径向基函数神经网络； 密度参数； K-均值

降水是自然界水循环的一个重要环节，因受多类因子的影响，降水量的变化存在复杂且多变的不确定性。高精度的降水量预测方法能提前预测降水量的变化并为径流预报提供雨情数据状态和后果，对防洪抗旱、指导生产都有重要意义[1]。降水量的预测方法众多，如回归分析[2]、灰色预测[3]、数值模拟[4]、模糊预测[5]、人工神经网络[6-7]等等。……