灰色理论及神经网络组合模型在水质预测中的应用

利用灰色理论和神经网络的组合式模型实现了对原水水质的预测。它分析了水质数据的影响因素多,水质变化的非线性等特点,同时考虑灰色理论的单变量预测优势以及神经网络能有效处理数据的非线性、模糊信息的特点,提出使用灰色理论模型GM(1,1)对水质数据进行建模,再使用BP神经网络对实际值和预测值的残差进行建模,最后叠加上述两个模型,实现灰色神经网络组合式水质预测模型。通过对某水厂水质的预测值和实际值的比较,表明该模型对水质有较高的预测精度。     

水轮发电机组神经网络非线性建模研究

针对多层前向神经网络，运用递推预报误差（ＲＰＥ）算法对不轮发电机组进行非线性建模研究，研究结果表明，利用神经网络建立水轮发电机组非线性模型是有效的。     

基于gPROMS软件的曝气生物滤池建模研究

根据曝气生物滤池的水力负荷和有机负荷的特性,在gPROMS软件中进行对曝气生物滤池的除碳、硝化和曝气过程的建模研究,仿真进水水质、流量、曝气量等与出水水质的关系,有助于实现工艺设计验证和曝气的自动控制.     

基于遗传规划模型的大坝变形监测预测模型

研究了基于遗传规划(GP)理论的大坝变形监测数学模型的建模方法.通过与回归分析模型和BP神经网络模型的拟合精度及预测效果的比较,证明GP模型有更高的拟合精度和更好的预测效果,为大坝变形监测数据处理开辟了一条新的途径.     

证据理论融合蚁群神经网络的水质预测方法

为了提高水质指标预测的精度,提出了证据理论和蚁群神经网络相结合的组合预测方法。用蚁群神经网络作为单一模型对水质指标进行预测,再由BP、RBF网络对预测误差进行分析建模,获取每个模型的可信度。利用证据理论获取单一模型的权值,实现水质指标的组合预测。该方法克服了常规BP算法收敛速度慢、易陷入局部极值的缺陷,能有效提高预测精度。     

基于神经网络的宽浅型湖泊水质反演研究

城市浅型湖泊治理是城市生态文明建设的重要组成部分。通过对黄石磁湖的IKONOS遥感影像进行预处理,建立了水质参数与卫星波段的多元线性回归模型、BP神经网络模型和RBF神经网络模型。通过比较不同模型的结果,运用可靠模型对整个湖体的COD、NH3-N、TN、TP指标进行反演。结果表明,神经网络模型对于磁湖水质指标的反演结果显著优于多元线性回归模型,其中BP神经网络模型对NH3-N、TP的模拟效果好,RBF神经网络模型对COD、TN的模拟效果较好。     

可拓神经网络在水质评价中的应用

可拓神经网络是可拓学与人工神经网络的有机结合,能够更好地模拟人脑神经系统思维等智能行为。讨论了神经网络物元模型、神经网络的物元可拓性及基本物元变换,并利用可拓学的扩缩变换,通过在输出空间中用一个区域来代替BP神经网络的训练停止区域,极大地提高了神经网络的训练速度。以几个主要指标作为衡量水质优劣的标准并作为神经网络的输入样本,建立可拓神经网络训练水质的模型,并与普通BP神经网络进行训练速度和训练效果比较,实验表明,用可拓神经网络对水质的评价效果更为明显。     

基于高光谱数据的汉江中下游典型河段水体悬浮物遥感反演

选择汉江中下游典型河段作为研究区域,利用2012—2013年实测水质数据及高光谱数据,基于有效信息变量筛选和神经网络算法构建研究区水体悬浮物浓度高光谱反演模型,分析评价了模型性能与估测效果,讨论了研究区水体悬浮物浓度分布特征。研究结果表明:基于变量投影重要性指数和神经网络优势构建的高光谱反演模型在反演精度、稳定性和适应性方面表现出优异的性能;而对于基于简单相关性分析构建的单波段模型和比值模型而言,建模样本选择对模型精度有较大影响,导致模型反演精度、稳定性和适用性较差;汉江中下游典型河段水体总悬浮物浓度整体上在18.8~187.0 mg/L之间变化,季节性差异明显,即春、夏两季悬浮物浓度低于秋季。     

改进证据理论融合灰色神经网络的水质预测

针对水质预测过程中样本数据少的特点,引入了改进证据理论和灰色神经网络相结合的组合预测方法。首先利用灰色神经网络作为单一模型对水质进行初步预测,再用神经网络对预测结果进行分析建模,得到每个单一预测模型的可信度,最后采用改进证据理论进行融合决策,以获得各单一预测模型的权重,从而实现了水质的组合预测。实例分析结果表明,该方法拟合误差小、预测精度高。     

水质时间序列的遗传神经网络预测

采用遗传算法结合神经网络的方法构建了水质时间序列的遗传神经网络预测模型,并以耗氧量为例,将该模型与自回归滑动平均模型、标准BP神经网络模型做了预测对比。研究结果表明该方法可以减小水质时间序列的预测误差,提高预测结果的稳定性。     

基于Matlab的土石坝变形分析BP神经网络模型的建立——以哈尔滨西泉眼水库大坝为例

针对传统的数学模型方法的不足,本文通过对BP网络模型的研究,建立改进的BP神经网络预测模型即采用附加动量法和自适应学习效率相结合的BP模型,并使用MATLAB语言编程加以实现。并将该模型应用于哈尔滨西泉眼水库大坝变形监测数据的分析和预测,发现其预报精度较传统模型有较大提高。     

神经网络在结构振动控制中的应用

采用BP神经网络对一个SDOF体系被控对象的控制器进行系统辨识，比较了BP算法与LQR经典线性算法控制下体系反应的控制效果，对于影响BP神经网络用于结构振动控制的相关问题进行讨论，同时指出神经网络的应用应参照问题客观数学模型的描述，以利于快速找到问题的合适解决方案。     

神经网络在三峡水库诱发地震预测中的应用

在地震地质背景研究的基础上,将三峡库首区划分为31个预测单元,再根据不同的诱震组合条件组合成35种方案,选用8个影响因子,运用神经网络理论中改进的BP算法对三峡水库诱发地震强度进行了预测.预测结果对比表明,应用神经网络模型预测的三峡库首区水库诱发地震的结论是可靠的,与其它的数学预测模型相比,运用神经网络模型预测水库诱发地震,具有能充分利用所掌握的资料,能充分表达变量间复杂的非线性关系以及预测精度较高等优点,值得推广应用.     

BP神经网络预测河流月径流量

河流的月径流量是随机变化的，影响因素很多，如人类活动、降雨、下垫面的土壤、植被覆盖情况。利用人工神经网络理论建立BP（Back-Propagation，反向传播方法）网络预测模型，用该模型对河流的月径流量进行预测，BP神经网络模型计算快速，占用内存小，还有很好的容错性，可以得到比较理想的结果，精度高，可靠性好。模型建立之后，将其用于实例，通过对大量样本进行很多次的训练学习，得到训练好的BP网络模型，最后进行预测，得到令人比较满意的结果。     

基于BP神经网络-加权马尔科夫模型的泄水闸水平位移预测

针对传统变形统计模型和BP神经网络模型对水工建筑物变形预测精度欠佳的问题,建立了BP神经网络-加权马尔科夫模型。首先,采用均值－均方差法对BP神经网络模型拟合的相对误差序列进行状态分类,并检验状态序列的马氏性。然后计算各阶自相关系数和转移权重,利用加权和最大概率值预测未来的随机状态。最后以王甫洲水利枢纽泄水闸11^#闸墩测点水平位移实测数据为例,分析比较逐步回归统计模型、BP神经网络模型和BP神经网络-加权马尔科夫模型的预测效果。结果表明：相比于逐步回归统计模型和BP神经网络模型,BP神经网络－加权马尔科夫模型的预测精度更高,说明BP神经网络-加权马尔科夫模型较为可靠。     

基于HMM和BP神经网络组合模型的用水行为识别

在当前水资源短缺以及用水量不断增加的背景下,识别农村居民用水行为,对于农村地区居民用水安全和管理、缓解水资源短缺具有重要的意义。为此,提出了一种隐马尔可夫模型(Hidden Markov Model,HMM)和BP神经网络(Back Propagation,BP)相结合的组合模型,模型综合了BP网络优秀的分类识别能力和HMM强大的时域建模能力的优点。该模型首先为居民用水行为的6个事件分别建立1个HMM,然后计算各个模型的最佳状态的输出概率,再将此概率和期望输出共同训练BP神经网络,最后选取测试数据和已建立的组合模型进行匹配,得到识别结果。研究结果表明:该组合模型在用水行为识别准确度上比单独应用HMM模型高8. 78%,比单独应用BP神经网络高8. 92%,具有一定的应用价值。     

基于新维BP神经网络-马尔科夫链模型的大坝沉降预测

基于组合预测思想,结合BP神经网络和马尔科夫链2种预测方法,构建了一种新维BP神经网络-马尔科夫链大坝沉降预测模型。通过对训练样本的学习,利用新维改进的BP神经网络算法实现了对沉降位移时间序列的滚动预测。在此基础上,借助马尔科夫链模型对其随机扰动误差进行修正,有效地提高了预测结果的精度。将构建的组合模型应用于长洲大坝船闸控制楼沉降位移时序预测中,研究结果表明该模型预测精度较高、可靠性好,提高了模型的中长期预测能力,为大坝沉降预测提供了一种有效的新方法。     

改进BP神经网络在地下水环境质量评价中的应用

以LM算法和步长自适应法对BP神经网络进行改进,并将输入数据采用压缩系数法进行处理, 用改进后的BP神经网络对黄河流域某地区地下水环境质量进行评价,并和内梅罗指数法、灰色聚类法评价结果相比较,结果表明改进后的BP神经网络计算速度快、评价精度高、结果客观准确。     

多元线性回归与BP神经网络模型在次洪量预测中的对比研究

针对半干旱地区次洪量预测问题,选取岔巴沟流域曹坪水文站1980-2010年中15场洪水资料,根据实测次暴雨、洪量资料,考虑淤地坝控制面积、次暴雨量、暴雨中心位置、前期影响雨量等因子,利用SPSS及MATLAB软件,建立用以预测次洪量的多元线性回归模型和BP神经网络模型。模型预测结果比较表明:多元线性回归模型和BP神经网络模型都能较好地应用于次洪量的预测,进一步得出BP神经网络模型的预测效果优于多元线性回归模型。研究结果可为淤地坝的安全度汛提供决策依据。     

ARIMA与ANN组合预测模型在中长期径流预报中的应用

基于时间序列预测模型及BP神经网络,提出了新的组合预测方法.该方法采用三层结构的BP神经网络来构造组合预测模型,运用时间序列模型预测方法得出的预测结果,采用历史滚动法将前5年的预测结果数据作为BP网络的输入,以当前年份的预测结果为网络期望输入,建立了ARIMA-ANN组合预报模型.利用Matlab7神经网络工具箱对塔里木河上游源流卡群水文站的年径流量进行了预报及验证.结果表明:组合模型的预报结果精度高,容错能力强,是中长期径流预报的有效方法.