人民黄河

作者：刘鑫;韩宇平;刘中培;黄会平

单位：（1.华北水利水电大学 水利学院，河南 郑州 450046; 2.华北水利水电大学 测绘与地理信息学院，河南 郑州 450046）

关键词：地下水埋深预测;双向长短时记忆循环神经网络;非全连接神经网络;深度学习模型;自适应矩估计优化函数;耦合激活函数;动态学习率

为了提高地下水埋深预测的精度，提出了双向长短时记忆循环神经网络（BiLSTM）融合非全连接神经网络（NFC）的深度学习模型。使用自适应矩估计优化函数（Adam），耦合双曲正切（Tanh)、软最大逻辑回归（Softmax）和线性整流单元（ReLU)3个激活函数，且将学习率设置为动态的，以黄河下游人民胜利渠灌区1993—2018年的地下水埋深预测为例，将BiLSTM-NFC与BiLSTM、长短时记忆循环神经网络（LSTM）及LSTM-NFC的预测结果进行对比分析。结果表明：双向网络的性能优于单向网络，NFC可以防止过拟合，还能明显降低模型的均方误差（MSE）；与BiLSTM、LSTM-NFC和LSTM相比，BiLSTM-NFC的学习能力、稳定性、可靠性及泛化能力最强；BiLSTM-NFC在测试集上的准确率（Acc）可以达到100%，最接近无偏估计，MSE比LSTM的减小96.60%，平均相对误差（MRE）减小85.63%，相关系数（r）增大34.81%；模型在图形处理单元（GPU）上比在中央处理单元（CPU）上训练时间明显缩短，合理设置多种激活函数可以解决单一激活函数的弊端；使用BiLSTM-NFC可以准确地预测地下水埋深的变化情况。

来源：2021年第6期

《人民黄河》期刊编辑部

查看人民黄河杂志2021年第6期