崔东文，杨琼波

(1.云南省文山州水务局，云南 文山 663000；2.云南省水文水资源局 红河分局，云南 红河 661100)

由于受气候、气温、人类活动等大量不确定性和复杂性因素的影响，径流序列表现出高度非线性、时变、不确定等特性，常规回归分析、数理统计等方法很难获得理想的预测效果。目前，探索具有更高径流预测精度的模型及方法仍是水文预测预报研究中一项具有挑战性的工作。近年来，人工神经网络[1-4]、支持向量机[5-7]、随机森林[8-9]、极限学习机[10]、自适应神经模糊系统[11]、耦合模型[12]等智能化模型及方法被广泛应用于径流预测，并获得了较好的预测效果。Elman神经网络为典型的局部递归网络，具有较强的动态信息处理能力[13]，在径流预测中有着广泛的应用[14-15]。然而，在实际应用中，Elman神经网络存在以下不足：①Elman网络学习过程与BP等前馈神经网络相类似，存在收敛速度慢和易陷入局部极值等问题。目前，遗传算法[14]、粒子群优化算法[16]、人工鱼群算法[17]、果蝇优化算法[18]等常用于Elman初始权值和阈值的优化，使Elman预测效果得以改善。②Elman神经网络只有一个隐含层，结构单一，对于复杂问题预测精度不高，效果不理想。深度递归神经网络(Deep Recurrent Neural Network，DRNN)类似于多隐层(两个及以上隐含层)Elman神经网络，具有多隐层结构，不但能够刻画和描述复杂的高维、非线性系统，而且具备动态反馈机制，能全面刻画与表征动态序列的内在规律，具有较好的应用前景[19]。不足之处在于DRNN初始权值和阈值难以确定，这在很大程度上影响和制约着DRNN模型预测性能的提高。……