刘蕊鑫，纪昌明，马 源(华北电力大学可再生能源学院，北京102206)

径流作为重要的水文要素之一，受气候、地理、环境、人类活动等多方面因素的影响，表现出很强的随机性、模糊性、灰色性、非线性等特性[1]。径流预测精度的提高一直是国内外学者关注的热点问题[2]。径流预测精度的提高在于对历史径流序列的充分挖掘，找出径流变化的规律[3]。常用的预测方法有多元回归模型[4]、模糊模式识别[5]、人工神经网络[6]等方法。

RBF神经网络相比于多层前馈网络(MFN)具有良好的泛化能力，网络结构简单，可以避免不必要的和冗长的计算[7]。RBF神经网络能在一个紧凑集合任意精度下，逼近任何非线性函数[8]。目前在很多领域都有广泛的应用[9-11]。RBF神经网络应用的关键问题之一是神经网络结构设计和网络参数调整的问题，2004年伍长荣[12]提出一种改进的RBF神经网络算法，该算法可以在没有提前获知神经网络结构的前提下，训练出最优结构的RBF神经网络及网络参数。该算法被广泛应用于各个领域[13,14]，取得了良好的效果。但该算法存在不足之处，在前期未考虑输入变量(影响因子)选择的问题，神经网络的输入变量过多，会导致网络结构过于复杂，预报误差的增加；输入变量输入过少，又无法很好地解释输出变量的变化机理。在水文预报影响因子选择的问题上，还存在与输出变量在时间上的滞后问题，这使得影响因子的选择更为复杂[15]。针对该问题，本文提出了一种基于互信息的改进RBF神经网络预测模型。……