多输入优化神经网络河流流量估计算法

摘要

针对传统模型在河流流量估计方面精度低、自适应能力差、易陷入局部最小值的问题,提出一种改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化反向传播(back propagation,BP)神经网络的算法,利用雷达采集的河流水位、断面积、流速对河流流量进行估计。针对麻雀搜索算法(sparrow search algorithm,SSA)易陷入局部极值问题进行改进,通过莱维飞行对SSA初始个体优化,从而提高种群多样性;引入捕获繁衍机制至麻雀发现者中,以便麻雀个体能够最大程度搜索且提高其跳出局部最优的能力;使用基于适应度的差分变异算法对麻雀加入者进行优胜劣汰的选择,以提高流量估计的准确性和稳定性。使用云南河边水文站2022年6月和7月两个月的数据,搭建了ISSA-BP、SSA-BP和BP神经网络进行对比。实验结果表明,ISSA-BP较SSA-BP和BP平均绝对误差(mean absolute error,MAE)分别降低了25.5%和40.2%,证实了该算法在多特征值河流流量估计方面具有较好的可行性和性能。