基于互信息与神经网络的天山西部山区融雪径流中长期水文预报

为提高天山西部山区融雪径流的预报精度,更好地指导所在区域的工农业生产发展,针对影响预报精度的关键问题(预报因子的选择),基于互信息法、相关系数法、主成分分析法对研究区的预报因子进行优选,采用RBF神经网络以及组合小波BP神经网络模型进行径流预报研究,并进行不同方案的比较。结果表明:①互信息法优选出的预报因子作为模型输入可以提高预报精度;②采用不同优选预报因子作为RBF神经网络以及组合小波BP神经网络模型的输入变量,结果表明RBF神经网络模型的预测精度要好于组合小波BP神经网络模型;③以相对误差作为评价模型精确度的标准,预测效果最好的是基于互信息方法挑选出的预报因子作为RBF神经模型输入数据的模型预测结果。     

改进RBF-Adaboost模型及其在年径流预测中的应用

为提高径向基神经网络(RBF)在年径流预测中精度,提出基于Adaboost算法及线性递减算法改进的RBF-Adaboost预测模型,以云南省姑老河站年径流预测为例进行实例研究,并构建RBF、GA-BP及BP模型作为对比模型.利用实例前34年和后20年资料对所构建的模型进行训练和预测.结果表明:改进RBF-Adaboost模型对实例后20年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为4.83％、9.51％,预测精度优于RBF、GA-BP及BP模型.RBF-Adaboost模型集成了多个基于扩展系数及期望误差线性递减改进的RBF神经网络弱预测器,有效提高了RBF神经网络模型在年径流预测中的精度,模型具有预测精度高、泛化能力强等优点.     

基于WT-HBBO-RBF模型的年径流时间序列预测

利用4个基准函数对HBBO进行仿真测试；采用WT分解处理年径流时序数据；通过突变点检测方法Mann-Kendal(M-K)划分训练、预测样本，构建RBF适应度函数，利用HBBO优化RBF神经网络输出层权值、基函数中心和隐含层节点宽度，建立WT-HBBO-RBF模型，并构建WT-HBBO-SVM、WT-HBBO-BP、WT-RBF、WT-SVM、WT-BP、HBBO-RBF、HBBO-SVM、HBBO-BP作为对比分析模型。以云南省龙潭站、落却站年径流时间序列预测实例对模型进行验证的结果表明，HBBO具有较好的寻优精度及全局搜索能力；WT-HBBO-RBF模型对龙潭站、落却站年径流时间序列预测误差小于其他对比模型，具有较好的预测精度和泛化能力；HBBO能有效优化RBF神经网络输出层权值、基函数中心和隐含层节点宽度，提高RBF神经网络预测性能；WT能科学降低径流序列的复杂性，提高预测精度。     

长江源高寒区域河川径流预测方法及其对比分析

为了更好地预测长江源高寒区域水文循环尤其是径流过程的变化规律,根据沱沱河站(1961年-2009年)共49年的降水和径流资料,以降水量作为输入向量,径流量作为目标向量,分别采用偏最小二乘回归估计、改进的BP神经网络和RBF神经网络建立了径流预测模型,并利用Matlab工具软件编程求解。通过三种计算方法预测结果的分析与对比表明:偏最小二乘回归估计模型的径流预测结果基本合理,但该方法需要降水数据作为已知条件,同时要求降水和径流的相关性较高,对于长江源高寒区域来水复杂的地区不是很合适;改进的BP网络模型因受到神经网络学习和训练的随机性影响,需要相当大的运算量,而且预测精度也不高,如果合理选择RBF神经网络模型的周期和spread值,其径流预测结果的精度相对较高,所以是值得推荐的方法。     

不同组合小波神经网络模型对径流预测的适用性

针对水文时间序列的非平稳性特征,以长江三峡宜昌站1904~2003年年平均流量为例,分别建立了小波分析（WA）与BP神经网络和径向基函数神经网络（RBF）耦合的预测模型,探究了两种组合模型的预测效果,并与传统的单一人工神经网络模型对比;并采用5种常见的预测性能评价指标分析预测效果。结果表明：组合模型预测成果的精度较单一模型显著提高;组合和单一模型中RBF网络模型均优于BP网络模型;小波径向基函数神经网络组合模型具有较优的预测精度和泛化能力,是提高预测精度的有效方法,在径流预测中具有可行性。     

基于随机森林和RBF人工神经网络模型的新丰江水库枯季入库径流中长期预报

基于随机森林和RBF人工神经网络构建了新丰江水库枯季入库径流中长期预报模型,首先采用随机森林模型从74个水文气象特征量和前期降雨、径流中筛选预报因子,之后利用筛选的预报因子作为RBF神经网络的输入层,利用RBF神经网络对新丰江水库枯季入库径流每月的流量进行预报。结果表明,基于随机森林和RBF人工神经网络模型的枯季径流中长期预报模型精度较高,其中训练期平均合格率为91.24%,平均相对误差为7.80%,检验期平均合格率为67.31%,平均相对误差为26.73%,模型有较高的可靠性,预报结果可作为东江流域枯季径流预报重要参考依据。     

基于产流机制的中长期径流预测RBF神经网络模型研究

从产流的物理过程出发,提出了影响产流的主要因子集,利用逐步回归分析法筛选影响各月径流的主要因子;利用筛选的主要因子建立了逐月径流预报RBF神经网络模型,并进行了实证研究。结果表明,不同月份的径流量主要影响因子不完全相同,存在明显的季节性差异;基于产流机制的RBF神经网络模型对于月尺度的径流过程,具有较好的模拟与预测能力。     

RBF神经网络模型在金沟河流域径流预测中的应用

河川径流时间序列是一个复杂的非线性系统,使传统的预测方法难以描述其变化规律。将金沟河流域八家户站的1957年至2003年的年径流实测数据作为样本,转化为径流差后,进行归一化处理及自相关函数分析,在MATLAB环境下建立径向基神经网络径流预测模型。结果表明:与传统的BP神经网络预测比较,利用径向基神经网络模型对径流序列进行预测具有更高的精度和更短的运算时间,是径流预测的一种有效方法。     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

多重组合神经网络模型在年径流预测中的应用

针对线性组合预测模型预测精度不高、单一预测模型权重较难确定和非线性组合预测模型组合函数难以构造等问题,为最大限度地挖掘输入向量间的有用信息以及充分发挥神经网络模型的高度非线性映射能力,提出一种基于BP、Elman、RBF、GRNN这4种神经网络算法原理的多重组合年径流预测模型。以4种单一预测模型的预测结果作为一次组合预测模型的输入向量,实测流量作为输出向量,构建4输入1输出的一次组合预测模型;再以一次组合预测模型预测结果作为二次组合预测模型的输入向量,实测流量作为输出向量,构建4输入1输出的二次组合预测模型;依次类推,构建12种多重组合预测模型。以新疆伊犁河雅马渡站年径流预测为例,将预测结果与4种单一预测模型及IEA-BP模型的预测结果进行比较,结果表明:多重组合预测模型的预测精度和泛化能力较单一预测模型均有较大提高,随着模型组合重数的增加,预测精度呈提高趋势,是提高预测精度的有效方法。     

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.     

基于RBF神经网络的工业取水量预测研究

介绍了径向基函数（RBF）神经网络的结构、原理和训练算法。以某市为研究对象,建立了RBF神经网络工业取水量预测模型,采用最近邻聚类学习算法确定径向基函数的宽度、聚类中心和权值。结果表明：RBF模型具有较强的非线性处理能力和逼近能力,且结构简洁、学习速度快、预测精度高,泛化能力强,克服了BP神经网络学习过程收敛过分依赖于初值和可能出现局部收敛的缺陷。     

二滩水电站中期径流序列预测研究

分别利用门限回归模型（TR模型）和人工神经网络模型对二滩水电站的月平均径流量序列进行了预测。通过计算可知，门限回归模型和人工神经网络模型都可以很好地解决月平均径流的预测问题，相对误差总体上都比较小。但门限回归模型计算繁琐，不能及时、快速得到计算结果，而人工神经网络模型计算快速，占用内存小，还有很好的容错性，即使在数据不完全的情况下，也能及时准确地得到径流预报值。考虑到模型自身的特点和优势，在实际运行中推荐使用人工神经网络模型进行月平均流量的计算和预测。     

基于灰色系统与RBF神经网络的中长期水文预报

及时、准确的中长期水文预报能有效促进水库管理优化。以非汛期各月径流量为预报因子,通过计算所需预报年份与已有径流资料历史年份的预报因子之间的灰色关联度,遴选出与该年灰色关联度较大的年份作为代表年份。采用MATLAB数学软件构建RBF神经网络预报模型,利用选定的代表年份径流量对目标年份汛期径流量进行预报。以清河水库为例,用该模型预报汛期径流量。结果表明,模型简单可操作、运行速度快、预报效果好。     

基于小波分析的径流分级组合预报模型

为进一步提高径流预报精度、降低预报的不确定性,利用小波分析法提取径流系列的概貌和细节成分;采用BP网络模型、RBF网络模型、SVM模型分别模拟预报,进行径流分级。根据不同级别的径流,对预报结果予以变权重组合,构建了基于小波分析的径流分级组合预报模型,并对其预报结果作了分析和总结。宜昌站中长期径流预报结果表明,组合预报模型能够较好地提高预报精度。     

基于遗传规划的径流预测新方法

应用遗传规划方法进行中长期径流预测,将预测模型视为遗传规划中的个体加以处理,依据生物界“优胜劣汰”的原则,运用复制、交叉和变异等遗传操作算子;根据历史样本数据自动生成最佳的径流预测模型,包括模型的函数形式以及模型参数;最后运用得到的预测模型对某水文站的年径流进行预测。仿真结果表明,基于遗传规划的径流预测模型可以明显提高径流预测精度,为解决中长期径流预测问题提供了一种行之有效的新方法。     

基于遗传BP算法的日径流预测

用遗传算法和BP算法相结合的混合算法来训练日径流神经网络预测模型的权值，即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，这一算法克服了BP算法收敛速度慢、易陷入局部极小等缺陷，实例证明提高了预测精度。     

基于多组群教学优化的随机森林预测模型及应用

为有效提高水文预测预报精度,提出了一种基于多组群教学优化(MGTLO)的随机森林(RF)预测方法,利用MGTLO算法对RF两个关键参数进行优化,构建MGTLO-RF预测模型,并与基于MGTLO算法优化的支持向量机(SVM)、BP神经网络两种常规预测模型作对比分析。以云南省龙潭站月径流和年径流预测为例进行实例研究,利用前44 a和后10 a资料对MGTLO-RF等3种模型进行训练和预测。结果表明:所提出的MGTLO-RF模型具有更好的预测精度和泛化能力,可作为水文预测预报和相关预测研究的一种有效工具。