1．目的及意义

长江是中国的第一条大河，其动态变化密切影响着沿途地区区域经济发展。而水位水量预测是区域水资源管理的重要依据，它可以为各地区防范灾害、资源调配提供重要的决策基础，对区域水资源合理配置和可持续利用具有重要意义。基于水位水量的预测在实际的水资源管理工作中的重要作用,预测的好坏直接影响到水资源的科学管理和合理开发利用，因此，探求预测精度高的预测方法显得尤为重要。

人工神经网络（Artificial Neural Network，简称ANN）是基于对人脑组织结构和活动机制的初步认识提出的一种新型信息处理体系，它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。1986年由Rumelhart和McClelland为首的科学家提出的BP 神经网络（Back-Propagation neural network）是迄今为止应用最为广泛的人工神经网络，它是一种按照误差反向传播算法训练的多层前馈神经网络。BP神经网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有很强的非线性映射能力和柔性的网络结构，可以通过不断地训练，实现给定的输入 - 输出映射关系，这使得它特别适合于求解内部机制复杂的问题。而且它能通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力。BP神经网络的学习由信息的正向传播和误差的反向传播两个过程构成：信息的正向传播——输入模式从输入层经隐含层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入误差的反向传播——将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。

通过获取有效的历史数据以供BP神经网络完成学习过程，训练出最优网络结构，得到拟合度高的水位水量预测值，对各地区采取有效应对措施提供可靠的数据基础，具有现实意义。

2．研究现状

2.1国内研究现状

在人工神经网络的实际应用中，绝大部分的神经网络模型都采用BP神经网络及其变化形式，这也是前向网络的核心部分，体现了人工神经网络的精华。目前，BP神经网络主要用于以下四个方面：函数逼近、模型识别分类、数据压缩和时间序列预测等。

常丽霞等将BP神经网络应用于国际服装流行色短期预测，预测获得误差的标准差小于0.06, 显示了BP神经网络在智能预测领域的优越性；2012年，卓中文、王山东和杨松基于BP神经网络建立了矿山地下水位预测模型，为分析地下水降落漏斗趋势提供有力依据；2015年，许骥利用遗传算法优化神经网络的权值与阈值,建立地下水水位的遗传BP神经网络预测模型，为区域地下水的开发利用与保护提供参考依据；2016年，马辉等提出一种将灰色模型和神经网络模型相结合的灰色-BP神经网络预测方法，提高了水位预测的精确度；张建锋等建立了小波-神经网络混合模型，提高了预测的精度,显著增加了有效预测时段长度；2017年，高学平等以南水北调东线山东段南四湖下级湖为例，结合一维二维耦合水动力模型与BP神经网络预测模型，结果显示，BP神经网络不仅预测精度高，相对误差小，而模型计算效率显著提高。

这些都表明了BP神经网络在智能预测领域的优越性，但BP神经网络在水文方面的应用还比较少，值得进行深入的研究与探讨。

2.2国外研究现状