基于BP神经网络的区域地下水位动态预测

地下水系统是一个高度复杂系统，地下水位与其影响因素之间存在非线性映射关系，人工神经网络则是处理非线性问题的有效方法。把影响区域地下水位动态的5个主要因素作为网络输入向量，地下水位本身作为网络输出向量，采用快速BP算法构造地下水位动态预测的BP神经网络模型，最后将该模型应用于河套灌区义长灌域地下水位动态预测。结果表明，BP神经网络用于区域地下水位动态预测时有较高的精度。     

基于遗传算法的BP神经网络模型在地下水埋深预测中的应用——以蒙城县为例

地下水系统是一个高度复杂系统,针对地下水位与其影响因素之间的非线性映射关系,建立遗传算法优化BP神经网络浅层地下水埋深模型,对地下水埋深进行模拟和预测。使用RMSE、MAPE和NSE三种评价指标,将所得结果与BP神经网络和逐步回归模型进行对比。以蒙城县1974—1999年前期降雨量、前期地下水埋深和利辛县前期地下水埋深作为输入层,以当月地下水埋深作为输出层,将蒙城县2000—2010年地下水埋深作为检验样本,计算结果表明:遗传算法优化BP神经网络模型训练阶段和测试阶段RMSE分别为0.22和0.34、MAPE分别为7.6%和9.21%、NSE分别为0.89和0.85,泛化性能良好,有效规避了过拟合现象,且拟合和预测的精度较高。该模型可为地下水研究提供了一种有效浅层地下水埋深的预测方法,具有较好的应用前景。     

PSO-BP神经网络在多输出水利定额编制中的应用

针对运用BP神经网络模型来编制水利定额存在收敛慢、精度低、稳定性差的缺陷,提出利用粒子群算法(PSO)来优化BP神经网络初始权值阈值的模型,优化模型结合了粒子群全局搜索能力和BP网络的局部探优能力。在运用MATLAB对算法模型进行编程中,首先确定模型的关键参数和开展数据的预处理,其次利用标准粒子群算法优化BP神经网络的初始连接权值阈值,最后将优化的连接值带入BP模型训练并预测,实验中连续运行了50次模型。结果表明:BP模型的双输出预测精度分别为11.13%和8.41%,有10次未达到目标精度;PSO-BP模型的双输出预测精度分别为5.65%和5.44%,全部达到目标精度。因而得出结论,PSO-BP模型比单纯BP神经网络的预测精度和稳定性更好,更适合用来指导水利定额的编制工作。     

WPA-BP神经网络模型在枯水期月径流预测中的应用

通过8个高维复杂函数对一种新型仿生群体智能算法——狼群算法(WPA)进行仿真验证,并与粒子群优化(PSO)算法进行对比。针对BP神经网络易陷入局部极值及初始权阈值参数难以确定的不足,利用WPA算法优化BP神经网络初始参数,提出WPA-BP径流预测模型,以云南省龙潭站枯水期月径流预测为例进行实例验证,并与PSO-BP及BP模型进行比较。结果表明:1WPA算法收敛精度远远优于PSO算法,具有较好的计算鲁棒性和全局寻优能力;2WPA-BP模型预测精度优于PSO-BP及BP模型,具有较好的预测精度和泛化能力。利用WPA算法优化BP神经网络的初始权值和阈值,可有效提高BP神经网络的预测精度和泛化能力。     

地下水文预测中BP网络的模型结构及算法探讨

本文探讨了人工神经网络中不同BP网络结构和算法在区域地下水文预测中的应用，实例比较了不同层次结构、学习速率、隐层单元数及不同算法等对收敛效果、模拟预报结果的影响。提出了一些BP模型的设计应用技术，即学习速率的取值范围与BP网络层数有一定关系，层数多，稳定区间较小，一般学习速率取值为0.01～0.1。快速BP算法从训练速度，收敛精度等方面均优于普通BP算法，可作为改进BP算法之一。在此基础上根据黄河河套灌区多年的水文、气象和地下水信息，对灌区多年的年地下水埋深变化进行了模拟，预测了河套灌区节水工程实施后未来灌区地下水位下降的趋势，为大型灌区节水工程改造与BP模型在区域地下水文中的应用提供了参考。     

RBF神经网络在地下水动态预测中的应用

为了动态预测地下水位的变化,采用神经网络模型构建地下水位埋深预测模型。充分发挥径向基函数(RBF)神经网络的逼近收敛能力,通过"径向基函数(RBF)"和"逆向传播(BP)"算法优选模型参数,以长春城区为应用实例,将2006—2012年84组数据作为训练样本,将2013—2015年36组数据作为检验样本,对其实测埋深动态过程进行模拟,对比两种模型性能优劣,并对2016—2018年地下水埋深进行预报。结果表明:RBF神经网络模型和BP神经网络模型的均方根误差分别为0.10和0.43,最大绝对误差分别为0.44 m和0.61 m,最大相对误差分别为14.60%和27.17%;2015年以后,长春城区地下水位动态周期性变化明显,埋深变幅较大,枯水期埋深最大为5.10 m,丰水期埋深最小为1.62 m,呈明显的季节性特征。RBF模型具有更高的非线性映射能力和预测精度,该模型可以用于同类的动态数据的预报。     

河套灌区地下水时空变化趋势成因分析

内蒙古河套灌区降水稀少,蒸发强烈,灌区地下水埋深不仅决定了区域水量平衡、水盐平衡、水热平衡,还将对区域生态系统产生重大影响。通过收集整理内蒙古河套灌区216眼观测井2003—2013年逐月地下水埋深观测资料,采用变异函数分析方法,并借助Arc GIS等手段,建立数学模型,研究了灌区地下水埋深在年内和年际的演变规律和空间变异特性;通过春灌、秋浇等典型灌溉期的水量平衡分析,揭示了地下水位变化的主要影响因素和物理机制;根据灌区自然地理特点、灌水习惯、可能的节水措施,拟定了3种节水模式,预测了不同模式下的地下水位变化幅度,结果表明,渠系水利用系数提高到国家标准0.55时,灌区的地下水埋深将比2013年的2.05 m增大0.26 m,达到2.31 m。     

基于粒子群神经网络的凌汛开河日期预测研究

为了更准确地预测凌汛开河日期,提出用粒子群算法和BP神经网络相结合的粒子群神经网络模型。介绍了模型的设计和算法实现的流程。该模型通过粒子群算法对BP神经网络初始的权值和阈值进行优化,并以黄河内蒙段三湖河口站作为研究实例进行冰凌开河日期预测。结果表明,经粒子群优化后的BP神经网络预测精度比遗传神经网络和单一BP神经网络更高。     

改进粒子群神经网络在变形预测中的应用研究

为更好地对变形体未来的形变量进行预测,研究粒子群BP神经网络模型,并对该模型进行改进,建立改进粒子群BP神经网络模型,结合工程实例,进行对比分析。研究表明,粒子群BP神经网络模型的拟合和预测精度均高于传统BP神经网络模型;改进后的粒子群BP神经网络模型进一步提高了拟合和预测精度,且随着改进方法的不断深入,其预测精度也逐渐提高;改进后的粒子群BP神经网络模型可以更好地对变形进行预测,优势显著。     

重庆藕塘滑坡地下水位时间序列混沌性判别与预测

在周期性库水位涨落和季节性强降雨等因素影响下,藕塘滑坡前缘地下水位时间序列呈现混沌特性。以藕塘滑坡前缘水文孔(MZK5)地下水位序列为研究对象,进行混沌分析;并利用饱和关联维数法和最大Lyapunov指数法,在水位序列相空间重构的基础上对混沌特性验证。为克服粒子群算法本身的不足和SVR模型参数选取困难的缺点,采用基于遗传选择策略的粒子群算法(GSSPSO)优化选取SVR模型的参数,再用预测性能较为精准的回归型支持向量机(SVR)模型对其进行预测。对MZK5水文孔地下水位进行了BP神经网络模型预测和优化后模型(GSSPSO-SVR)预测。结果表明:藕塘滑坡前缘地下水位序列具有混沌特征,GSSPSOSVR模型预测结果的均方根误差为0.036 m,拟合优度为0.803,说明GSSPSO-SVR模型预测效果较理想,且预测精度高于BP网络模型,具有较强的实用性。     

花授粉算法-BP神经网络模型及其在月径流预报中的应用

通过5个典型高维函数对一种新型群智能优化算法——花授粉算法(FPA)进行仿真验证,并与粒子群优化(PSO)算法进行对比分析。针对BP神经网络初始权值、阈值参数难以确定的不足,利用FPA算法优化BP神经网络初始权值和阈值,提出FPA-BP预报模型,以清水江水文站12月月平均流量预报为例进行实例研究。结果表明:1FPA算法收敛精度优于PSO算法,具有较好的收敛速度和全局寻优能力;2FPA-BP模型对实例2001—2005年月平均流量预报的平均相对误差绝对值为2.38%(5次平均),预报精度优于PSO-BP、BP模型。利用FPA算法优化BP神经网络的初始权值和阈值,有效提高了BP神经网络的预报精度和泛化能力,且拓展了BP神经网络初始权值、阈值的优化方法,为相关预报研究提供了参考。     

基于人工智能方法的隧道塌方风险预测研究

为了对隧道塌方风险展开研究,整理246起隧道塌方事故案例,通过建立塌方风险评估指标体系,基于人工智能预测方法,分别采用随机森林算法、径向基函数神经网络、BP神经网络模型、粒子群算法优化BP神经网络模型,对塌方风险进行预测。结果表明,随机森林算法、径向基函数神经网络、BP神经网络模型、粒子群算法优化BP神经网络模型的塌方预测准确率分别为81.67%、83.33%、86.67%、93.33%,F₁值分别为0.645、0.642、0.5、0.833。粒子群算法优化BP神经网络模型预测准确率和F₁值均大幅提高,预测效果最好,大大减少了评估结果的主观性,为隧道塌方风险研究提供了新的研究思路。     

优化BP神经网络在地下水计算中的应用

采用动态惯性因子对粒子群算法进行改进,并将其应用到BP神经网络的优化中,依据滦河某观测站数据建立地下水动态预测网络模型.预测结果表明:在训练样本、预报因子和建模参数都相同的情况下,BP神经网络的收敛速度明显较慢;粒子群算法代替梯度下降法优化BP神经网络,有效地提高了计算精度、加快了收敛速度、改善了神经网络的稳定性;混合动态惯性因子的粒子群算法,收敛速度快速提高,计算误差大幅减小,精度及稳定性均较高.     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

基于人工鱼群算法的冰情预报神经网络模型

在分析凌汛成因的基础上选取合适的预报因子,针对BP神经网络收敛速度慢、易陷入局部极小值的缺点,利用改进的人工鱼群算法训练BP神经网络,以黄河宁蒙河段封开河日期数据进行建模,给出了人工鱼群算法训练神经网络的基本原理和步骤,并对人工鱼群算法神经网络模型、遗传算法神经网络模型、粒子群神经网络模型的预测结果进行了对比分析。结果表明:人工鱼群算法神经网络模型对黄河内蒙古段凌汛期的封开河日期预测比较准确,预测结果优于遗传算法神经网络模型和粒子群神经网络模型。     

基于BP神经网络和RBF神经网络的砂土基础液化判别

结合河北唐山地区土样样本,以地下水位埋深(hw)、地下水头(h)、标准贯入锤击数(N63.5)、土的动强度(R)及地震力(L)为评价指标建立了BP神经网络和RBF神经网络的预测模型。通过实例结果比较分析,表明RBF神经网络和BP神经网络判断砂土液化的精度都较高,但对于用埋深hs,地下水位深度h,标准贯入锤击数N63.5,土的动强度R和地震力L作为参数指标时,RBF神经网络在砂土液化的判别方面优于BP神经网络。通过对金坛石桥枢纽进行建模预测,进一步证明了以上结论,并说明了BP神经网络和RBF神经网络对于砂土基础液化的预测是普遍适用的。     

优化BP神经网络的位移预测模型

针对大坝位移预测常规方法存在的问题,基于改进粒子群算法的BP神经网络(IPSO-BP)的大坝位移预测方法,通过IPSO对常规BP神经网络的权值和阈值进行优化,弥补了BP网络的不足,保证了预测精度。以2011-12-21—2013-06-27观测得到的某混凝土重力坝某一典型坝段坝顶的顺河向位移值为研究对象,建立基于IPSO-BP的大坝预测模型并进行仿真分析研究。同时,为了验证该模型的拟合及预测效果,建立PSO-BP模型、利用最小二乘法求解参数的统计模型进行对比分析。上述研究结果表明,此模型预测精度优于常规模型且拟合效果好、预测结果的平均相对误差小,说明此方法有效可行。     

基于PSO-BP模型的黄河兰州站含沙量预测

为了提高BP模型对含沙量预报的精度,采用PSO算法优化了BP神经网络的权值和阈值参数,并用黄河兰州站的含沙量资料进行了验证。结果表明:该方法能克服传统BP模型易陷入局部收敛的缺点,提出的PSO-BP模型能够提高含沙量预测的准确度。     

景泰川灌区地下水埋深变化与影响因素分析

为深入研究变化环境情景下景泰川灌区地下水埋深变化规律,实现引黄灌区水资源高效利用与水环境有效控制,文章采用MK趋势分析法,运用Arcgis软件对灌区地下水埋深观测数据进行变化特征与影响因素分析。结果表明,灌区地下水埋深年内变化从16.89m至17.25m,呈现双峰型变化趋势。灌区地下水埋深影响因素,一期西六支观测井地下水埋深与潜在蒸散发量呈高度负相关,与引黄水量呈中度负相关,与降雨量呈低度负相关。研究结果可为灌区预测地下水位变化提供科学依据。     

基于PSR和PSO的区域地下水埋深ELM预测模型

针对传统区域地下水埋深预测方法精度不高问题,提出一种基于相空间重构(PSR)、粒子群算法(PSO)的极限学习机(ELM)的非线性预测模型。首先利用C-C法对地下水埋深原始时序数据进行相空间重构(PSR),然后利用PSO-ELM对地下水埋深进行预测。将模型应用于中国黑龙江省红兴隆管理局红旗岭农场地下水埋深预测,结果表明:该模型取得了较好的预测效果,后验差比值C为0.074,小误差频率p为1,相对均方误差E1为6.36%,拟合准确率E2达到92.66%,试预报效果指标E3达到95.80%;与PSR-ELM、PSR-RBF等模型相比,PSR-PSO-ELM在试预报方面可使RMSE分别降低49%和70%,使误差区间分别降低28.2%和68.6%,证明PSO能够有效改善ELM模型的预测性能;分析了气候因素和人类活动对当地地下水埋深动态变化的影响。