用变化的降雨—径流资料通过反向传播人工神经网络模拟径流

用变化较大的、精度不高的数据组建立多层反向传播神经网络（BPANN）模型，用以模拟印度纳尔默达河两个小流域Banjar～Hridaynagar和Narmada-Manot的3种时间尺度（周、10d、月）的降雨径流过程。采用梯度下降优化技术建立BPANN径流模型，并通过交叉检验进行概化。用变化相对较大、精度不高的数据资料建立起来的BPANN，在几乎所有情况下，计算迭代次数较少，概化程度较高。计算结果表明，BPANN模型的性能优于线性转换函数模型（LTF）。