基于相空间重构的水文自记忆预测模型

混沌理论为研究复杂多变的非线性水文时间序列开辟了新的途径。本文在相空间重构的基础上，反演了水文系统动力模式，据此进一步建立了相空间自记忆预测模型，并将该模型应用于月径流量预测。实例表明，该模型能较好地处理复杂的水文数据序列，且有较好的预测精度。     

基于混沌相空间技术的流域产流预测模型

在对流域产流时间序列混沌特性进行分析的基础上,利用嵌入相空间来确定前期影响因子,建立了基于混沌相空间技术的BP网络模型.对黄河某支流控制站月径流量的拟合与预测结果表明,预测结果合理,精度较高.     

混沌-数据挖掘模型在大坝安全预测中的应用

简述了数据挖掘理论和相空间重构理论的原理和算法,并通过实例讨论了其在大坝裂缝开度预测中的应用。将混沌理论和数据挖掘模型相结合,对揭示大坝裂缝复杂的非线性结构是很有效的。经实例研究,并与用单一的混沌相空间重构理论模型预测的计算结果相对比,表明该模型应用在大坝裂缝开度预测中是可行的、合理的,有很好的预报精度和应用价值。     

基于混沌时间序列的大坝变形短期预测

将混沌时间序列预测理论应用到大坝变形预测中，根据非线性大坝变形时间序列，运用相空间重构理论，建立了加权一阶局域法、基于最大Lyapunov指数法大坝预测模型，对混沌的大坝变形数据短期预测模型进行了研究，对比分析了各自的特点，并结合实例完成了对大坝变形的预测。计算分析表明，该模型预测误差较小，与传统的自回归模型预测结果相比，基于混沌时间序列的预测方法在大坝变形的短期预测中具有更高的精度。     

加权一阶局域法在边坡位移预测中的应用研究

目前，常用的变形预测分析方法有：确定函数法、统计回归分析法、混沌时间序列分析法等。其中混沌时间序列分析法可以在未直接考虑引起位移变形的有关随机因素的条件下，对历史观测数据进行重构相空间处理，建模比较简单、计算量小、预测精度较高。研究建立了加权一阶局域法多步预报模型，运用Matlab6，5编制了计算程序，并利用预报模型进行了典型混沌系统的预测和水利工程高边坡位移预测，取得了较好的预测效果。     

流域年径流时序分析的混沌网络模型研究

以混沌理论为基础,对三峡寸滩站月平均径流量时序曲线进行了相空间重构,确定了合理的饱和关联维数.与神经网络结合,用多维相空间建立了网络学习样本和教师值,构造了混沌神经网络分析模型.结果表明:流域年径流序列具有混沌性特征;混沌网络模型预测精度要高于标准BP网络模型,预测结果的绝对误差和相对误差均小于BP网络模型.     

丹江口水库来水情势分析与径流预测

基于丹江口水库1956—2016年逐月平均流量资料,采用数理统计手段分析丹江口水库年径流量的周期性和趋势性;从百项气候系统指数集和太阳黑子数中筛选出预测因子,构建月平均流量与预测因子间的多元线性回归模型和随机森林模型,实现丹江口水库月径流预测。结果表明,丹江口水库年径流量呈显著的减小趋势,并伴随有6～8 a、18～21 a两类尺度的周期振荡特性;以2017年逐月平均流量为例,随机森林模型和多元线性回归模型的预报合格率分别为83.3%、75.0%,预报精度均较好,且随机森林模型的预测精度优于多元线性回归模型,可用于丹江口水库月径流预测。     

地下水位时间序列的混沌特征分析

将重构相空间理论和加权一阶局域预测模型应用于地下水位时间序列的预测,结果表明:①将重构相空间理论用于一维水文时间序列预测建模,能较好地反映该序列内在的运动机理,揭示水文动力系统复杂的运动规律和演化过程;②应该考虑将混沌理论与其他非线性动力系统的相关理论进行结合来预测地下水位;③模型预测精度较高并具有广泛的实用价值,为进一步研究提供了一个新的思路。     

加权一阶局域法在边坡位移预测中的应用研究

目前,常用的变形预测分析方法有[1]:确定函数法、统计回归分析法、混沌时间序列分析法等.其中混沌时间序列分析法可以在未直接考虑引起位移变形的有关随机因素的条件下,对历史观测数据进行重构相空间处理,建模比较简单、计算量小、预测精度较高. 研究建立了加权一阶局域法多步预报模型,运用Matlab6.5编制了计算程序,并利用预报模型进行了典型混沌系统的预测和水利工程高边坡位移预测,取得了较好的预测效果.     

人工神经网络BP模型在枯季径流量预测中的应用

简述了人工神经网络BP模型，以Excel为技术平台，创建了人工神经网络BP预测模型。应用该模型预测了吉林省农安水文站枯季径流量。结果表明，预测结果合理，精度较高；模型操作简便，有进一步推广价值。     

大坝变形监测统计模型与混沌优化ELM组合模型

变形是反映大坝动态演化的重要效应量。为了提升统计模型预测能力,借助极限学习机(ELM)处理非线性问题的优势,对大坝位移的统计模型残差进行数据挖掘。而极限学习机欠缺对混沌动力特性的考虑,为了解决这个问题,采用混沌理论对统计模型残差进行了混沌动力学特性分析,揭示其混沌特性,并据此重构相空间,从而为混沌优化极限学习机提供先验知识。基于统计模型,结合极限学习机和混沌理论的优点,建立统计模型与混沌优化ELM的组合模型。将该组合模型应用于工程实例,由多个定量评估指标对模型进行性能评价,结果表明,组合模型建模合理,预测精度高于统计模型、统计模型与混沌优化BP神经网络组成的组合模型,在大坝变形监测中具有一定的应用价值。     

基于相空间重构的大坝服役性态小波支持向量机预测模型

通过支持向量机与相空间重构、小波分析、粒子群算法等的组合应用,充分考虑大坝原型监测数据特征,开展了大坝变形性态预测模型研究。为提升模型的抗噪能性,首先利用小波分析工具对监测数据序列进行时频分解,对分解所得的高频子序列实施阈值去噪处理;进而在借助混沌相空间重构技术,计算各子序列延迟时间与嵌入维数的基础上,重构各子序列的相空间。依据去噪和重构后的变形子序列,建立大坝变形性态支持向量机预测模型。考虑到支持向量机惩罚因子与核函数参数对模型预测精度影响显著的特点,引入粒子群算法,并通过支持向量机的参数寻优,进一步提高了模型的预测精度。工程实例分析表明,相空间重构的大坝变形性态小波支持向量机预测模型具有较强的抗噪和泛化能力,且能够更好地辨识蕴含于大坝原型监测数据中的时频非线性特征,更利于大坝变形性态的精准预测。     

长江上游径流混沌动力特性及其集成预测研究

针对长江上游干流主要站点月径流时间序列强非线性和非平稳特征,引入混沌理论和AdaBoost.RT集成极限学习机方法对其月径流时间序列进行分析和预测。首先,以流域径流非线性动力系统混沌特征参数辨识为切入点,研究并发现了流域内在特性作用下月径流时间序列动力响应的混沌现象,推求了月径流时间序列相空间重构的延迟时间和最佳嵌入维数,在此基础上,以重构相空间时间序列作为输入变量,引入基于自适应动态阈值的改进AdaBoost.RT算法改进极限学习机模型的学习性能,得到最佳的混沌集成学习月径流时间序列预测模型。实例研究结果表明,所提方法和模型能够显著提高单一极限学习机模型的泛化性和稳定性,从而获得更优越的预报性能。     

论混沌理论与水文预测问题

简述了混沌理论的基本概念，结合水文预测问题介绍了混沌理论应用的基本方法和步骤。在水文预测中，应用混沌分析方法需解决相空间重构、时间序列的混沌性识别和混沌时间序列预测等关键技术。     

混沌水文时间序列区间预测研究

本文提出了一种混沌水文时间序列区间预测算法。该算法首先利用关联积分法计算嵌入参数，重构水文时间序列的相空间，而后采用交叉迭代模糊聚类算法确定当前时刻相点的相似状态，并依据给定的不同区间风险度，动态得到未来某一时刻水文要素值的取值区间。作为分析研究，本文采用长江寸滩水文站的月径流时间序列作为研究对象，对其进行非线性水文中长期区间预测研究。结果表明该方法不但可以避免混沌点预测中局部邻域确定的任意性问题，而且还避免了混沌点预测中必须模拟确定性的混沌规则，无法控制其误差的问题。     

相空间神经网络模型在大坝安全监控中的应用

本文将混沌理论和神经网络理论相结合，并针对某一混凝土重力坝水平位移实测值建立相空间模糊神经网络预报模型。首先对水平位移的实测序列，进行相空间重构，求算关联维，说明该序列存在混沌成分和奇异吸引子；应用自适应模糊神经网络，对水平位移实测序列构成的相点，建立相空间神经网络模型。计算结果表明，相空间神经网络模型用于大坝监控中是可行的，其预报精度优于常规的统计回归模型，能揭示大坝的非线性性质，能更好地对大坝运行性态进行分析。     

混沌神经网络在地表水资源量预测中的应用

为了有效地揭示水资源系统复杂的非线性结构及变化规律,对具有混沌特性的水资源时间序列重构相空间,计算出相空间的饱和嵌入维数和最大Lyapunov指数,并以此为指导,提出一种适用于高精度逼近和泛化建模的混沌神经网络的学习算法,运用混沌方法构造训练样本及确定神经网络的网络结构,用神经网络拟合相空间相点演化的非线性关系,建立混沌神经网络预测模型。实例表明,该模型有较高的预报精度。     

基于CEEMD-RF模型的渣土边坡地下水埋深预测

地下水是影响渣土边坡稳定性的关键因素之一,地下水埋深预测对分析渣土边坡稳定性具有重要意义。考虑渣土边坡地下水水位的高度非平稳和非线性特点,提出了一种基于相空间重构的互补集合经验模态分解-随机森林（CEEMD-RF）的地下水埋深预测模型。以广州市某渣土边坡SW2水文观测孔为例,将基于相空间重构的CEEMD-RF模型应用于该渣土边坡的地下水埋深预测,并与相空间重构的RF模型预测结果进行对比分析。结果表明:利用CEEMD-RF模型对地下水埋深预测的拟合优度为0.997,均方根误差为0.03 m,优于相空间重构的RF模型预测结果;基于相空间重构的CEEMD-RF模型预测的地下水埋深序列能很好地反映地下水埋深的尖变点。     

三峡库区堆积层滑坡的变形趋势判断及预测

为提高三峡库区堆积层滑坡变形趋势判断的准确性,该文以 Ｒ/S 分析和混沌优化 PSO－SVM 模型为基础,构建了滑坡变形趋势判断模型和变形预测模型,判断和预测三峡库区堆积层滑坡的变形趋势。经实例检验表明: Ｒ/S 分析模型能很好地评价滑坡的变形趋势,且累计变形序列和速率变形序列的 Hurst 指数均大于 0. 5,呈持续增加趋势,但累计变形序列的 Hurst 指数相对更大,趋势性也相对更强; 在预测过程中,混沌优化 PSO－SVM 模型的平均相对误差均小于 2%,最大相对误差也仅为 1. 83%,具较高预测精度,满足期望要求,且变形预测结果与趋势判断结果具有较好的一致性; 通过两实例的综合应用,验证了本文模型的普遍适用性。通过该文研究,相互佐证了趋势判断模型和变形预测模型在滑坡变形规律研究中的有效性,为滑坡变形规律研究提供了一种新的思路。     

Monthly Streamflow Forecasting Using ELM-IPSO Based on Phase Space Reconstruction

We have developed a hybrid model that integrates chaos theory and an extreme learning machine with optimal parameters selected using an improved particle swarm optimization (ELM-IPSO) for monthly runoff analysis and prediction. Monthly streamflow data covering a period of 55 years from Daiying hydrological station in the Chaohe River basin in northern China were used for the study. The Lyapunov exponent, the correlation dimension method, and the nonlinear prediction method were used to characterize the streamflow data. With the time series of the reconstructed phase space matrix as input variables, an improved particle swarm optimization was used to improve the performance of the extreme learning machine. Finally, the optimal chaotic ensemble learning model for monthly streamflow prediction was obtained. The accuracy of the predictions of the streamflow series (linear correlation coefficient of about 0.89 and efficiency coefficient of about 0.78) indicate the validity of our approach for predicting streamflow dynamics. The developed method had a higher prediction accuracy compared with an auto-regression method, an artificial neural network, an extreme learning machine with genetic algorithm and with PSO algorithm, suggesting that ELM-IPSO is an efficient method for monthly streamflow prediction.