1.一种基于人工神经网络的挑距估算方法，其特征在于，包括以下步骤：(1)取上游水头H、挑坎挑角θ、来流单宽流量q作为输入量，水舌挑距为输出量，构建适当输入输出的集成神经网络系统，选择输入层、隐层、输出层结构的前向神经网络实现水舌挑距的建模；

(2)搜集数据，并对样本进行预处理；

(3)在步骤(1)得到的神经网络模型和步骤(2)得到的学习样本的基础上，对各组学习样本，分别采样BP算法训练神经网络得到个体网络的最优模型参数及其权值，并集成个体网络；

(4)把测量到的H、θ、q作为输入量，输入到步骤(3)训练好的集成神经网络，即可估算挑距的大小；

所述步骤(2)预处理为：样本数据相关性分析：对样本数据进行相关性分析，合并相关性较大参数数据；运用统计方法分析收集到的所有数据，分析其是否符合正态分布，如果不符合正态分布则删除部分偏离数据，扩充新的数据看其是否满足正态分布，剔除范围以外的冗余数据，式中：为样本均值，s为标准方差；

所述步骤(1)中输入量通过以下步骤确定：

a.建立输入参数的组合型式：假设步骤(2)中初步确定的输入参数为a个，建立由a个参数组成的参数组合和由任意(a‑1)个参数组成的a种参数组合；

b.按步骤(2)对样本进行归一化处理；采用归一化函数premnmx对上述不同输入参数组合型式和输出数据进行训练，训练出来的矩阵再进行反归一，并与输出矩阵进行对比，反归一后的输出矩阵即为训练结果，所需的时间是训练时间；

c.敏感性分析；输出数据与样本中数据进行敏感性分析，得出反映不同组合型式下训练结果的相关性R值；

d.输入参数的综合选择，根据训练时间和敏感性分析的结果进行综合选择输入参数的组合型式；

所述步骤(2)中样本的数目通过以下步骤确定：

a.样本的数量选取与神经网络训练结果关系密切，具体的样本数与拓扑结构的关系按下式计算：式中:n为输入变量数；m为输出变量数；h为隐含层节点数；p为需要输入的学习样本数；

b.样本数据的再补充：根据对样本数要求，检验剔除冗余数据后样本数是否满足要求，满足要求，则继续下续步骤；否则，继续搜集数据、剔除数据，直至样本数满足要求。