基于Copula熵的神经网络径流预报模型预报因子选择  

Determination of input variabes for artificial neural networks for flood forecasting using Copula entropy method

作　　者：陈璐[1] 叶磊[1] 卢韦伟[1] 周建中[1] 郭生练[2] 肖舸[3] 陈健国[3] 

机构地区：[1]华中科技大学水电与数字化工程学院,武汉430074 [2]武汉大学水资源与水电工程科学国家重点实验室,武汉430072 [3]三峡梯调通信中心,湖北宜昌443133

出　　处：《水力发电学报》2014年第6期25-29,90,共6页Journal of Hydroelectric Engineering

基　　金：国家自然科学基金项目(51309104;51239004);湖北省自然科学基金(2013CFB184);武汉市科技计划项目(2014060101010064)

摘　　要：采用神经网络进行水文预报的关键问题之一是预报因子(输入变量)的选择,目前国内尚缺有效、系统的理论方法,国外主要是采用偏互信息(Patial mutual information,PMI)法。本文针对偏互信息计算方法的缺陷,引入Copula熵的概念,推导Copula熵与互信息的关系,提出采用Copula熵计算PMI;并借助模拟试验检验了所提方法的合理性;最后,将该方法应用到三峡水库的水文预报中,并与现行方法进行了比较分析。结果表明,本文所提方法不仅具有理论基础,而且结果合理可信。One of the key steps in artificial neural networks （ANN） forecasting is the determination of significant input variables. A partial mutual information （PMI） method was used to characterize the dependence of a potential model between its input and output variables. We also developed a copula entropy method for effective calculation of mutual information （MI） and PMI, and verified its accuracy and performance using numerical tests. This forecasting technique has been applied to a real-world case study of the Three Gorges reservoir （TGR）, and results show that the proposed method is useful and effective for identification of suitable inputs of flood forecasting model.

关 键 词：水文学及水资源 神经网络 水文预报 预报因子选择 Copula熵 偏互信息 

分 类 号：TV213[水利工程—水文学及水资源]