泾河张家山站水沙多时间尺度分析及输沙量模拟

为了掌握泾河水沙变化的基本规律,运用EMD方法对泾河张家山水文站1958—2011年的年径流量及年输沙量序列分别进行了多时间尺度分解,依据实测年输沙量数据,应用时间序列分析方法建立了年输沙量模拟模型。泾河年径流和年输沙量的时间序列均可分解为3个不同波动周期的振荡分量和一个递减的趋势分量;年输沙量模型适用性较好,且模拟精度较高,可应用于年输沙量预测。泾河水沙多时间尺度变化的特征分析和输沙量预测可为泾河水资源规划提供科学依据。     

基于RBF神经网络的河川年径流量预测

文章以新疆开都河年径流量为研究对象,选用能够模拟输入与输出层非线性关系的径向基函数(radial basis function,RBF)神经网络,构建了河流年径流量预测模型。研究结果表明:通过自相关系数法,选用河流自身前1~5 a径流量作为输入层,当前年径流量作为输出层,利用Matlab软件建立RBF神经网络模型,预测开都河2008—2012年径流量,预测值最小相对误差为3.22%,最大相对误差为7.61%,平均相对误差为5.19%,相关系数为0.863;通过对预测样本实测值与模拟值进行经典统计学分析,2组数据间无显著性差异。这说明RBF人工神经网络模型用于模拟预测河川年径流量是可行的。     

基于多尺度小波变换WNN的灌区灌溉水量研究

选取Daubechies(db6)小波系对陆浑灌区1970—2013年的降水量及作物需水量时间序列进行多时间尺度水平分解,以得到的1970—2003年的小波系数为输入数据、灌溉水量为输出数据,构建多尺度小波变换的小波神经网络进行预测模拟,并利用单隐层BP、双隐层BP神经网络和小波神经网络分别进行了预测比较,结果表明:基于多尺度小波变换的小波神经网络模型的模拟精度和预测的稳定性均高于其他3种模型,4种预测模型的预测值平均相对误差排序为单隐层BP神经网络双隐层BP神经网络小波神经网络多尺度小波变换的小波神经网络。     

基于PCA-SHO-SVM和PCA-SHO-BP模型的径流预测

为提高径流预测精度,研究主成分分析(PCA)、斑鬣狗优化(SHO)算法与支持向量机(SVM)、BP神经网络相融合的预测方法。在样本数据筛选上选取PCA方法进行数据降维,使数据样本简洁且更具代表性。利用SHO算法优化SVM关键参数及BP神经网络权阈值,分别提出PCA-SHO-SVM、PCA-SHO-BP径流量预测模型,并与SHO-SVM、PCA-SVM、SVM和SHO-BP、PCA-BP、BP模型的预测结果作对比,通过云南省龙潭水文站年径流量及枯水期月径流量预测为例进行验证。结果表明,PCA-SHO-SVM、PCA-SHO-BP模型对实例年径流量预测的平均相对误差分别为2.34%、2.50%,对月径流量预测的平均相对误差分别为6.15%、6.08%,预测精度均优于其他6种模型,具有较高的预测精度和更强的泛化能力。     

基于相空间重构原理的遗传神经网络模型在城市需水预测中的应用

针对多元变量需水预测模型中变量之间普遍存在多重共线性问题以及BP神经网络收敛速度慢、易陷入局部极值等缺点,将相空间重构原理及遗传算法(GA)引入BP神经网络需水预测模型中,提出基于相空间重构原理的GA-BP城市需水预测模型,并对上海市需水预测进行实例分析。实例分析结果表明:GA-BP模型对上海市2005—2009年的年用水量预测平均相对误差绝对值和最大相对误差绝对值分别为1.4344%和2.7672%,对2010—2011年的年需水量预测相对误差分别为0.5136%和0.0270%,精度均优于BP神经网络预测模型;基于相空间重构原理的GA-BP需水预测模型具有较好的预测精度和泛化能力,是提高需水预测精度和泛化能力的有效方法。     

基于EMD及BPNN的云南省昭通市径流量预测

为提高BP神经网络对径流量的预测精度,将经验模态分解(EMD)方法与BP神经网络相结合,采用云南省昭通市豆沙关水文站1959年1月至2015年12月的逐月径流量,共设置4种方案构建了径流量预测模型。其中,方案一采用前1个月的径流量预测下一个月的径流量;方案二采用前2个月的径流量预测下一个月的径流量;方案三采用前3个月的径流量预测下1个月的径流量;方案四首先利用EMD将原始径流序列分解为高频项、低频项、趋势项,然后采用前1个月的分解数据对这3类项下1个月的分解数据进行预测,最后叠加为预测的下1个月径流量。结果表明:方案四的R~2为0.86,高于其他3个方案,说明将数据先通过EMD分解再分别预测径流量能够提高预测精度。研究成果可为未来构建径流量的预测模型和提高预测精度提供技术支撑。     

基于人工电场算法优化的大型灌区径流预测模型研究

针对水文预报中径流预测数据序列具有非线性和非平稳性等特点,将一种新型智能优化算法——人工电场算法AEFA与LSTM神经网络结合进行参数优化,建立AEFA-LSTM预测模型,并以赵口大型灌区涡河玄武水文站实测年径流量作为样本数据进行网络优化训练和预测分析,同时与传统优化算法（遗传算法GA和粒子群算法PSO）建立的GA-LSTM和PSO-LSTM预测模型进行对比。结果表明：AEFA-LSTM模型预测值的平均相对误差相较于GA-LSTM模型和PSO-LSTM模型分别降低了7.59%和5.22%,且平均绝对误差MAE、均方误差MSE、均方根误差RMSE均为3种模型中最小,说明所建立的AEFA-LSTM模型可以更高精度地预测径流量,为水文预报提供一种新型高精度径流预测方法。     

LM-BP算法在径流预测中的应用

为改善常规BP神经网络的性能,根据Nguyen-Widrow初始化规则对网络层的权值和阈值进行了初始化,利用黄金分割法对隐层节点数所在区间进行了寻优,并采用Levenberg-Marquardt优化算法改进了BP神经网络模型,然后利用经隐层单元优化的LM-BP网络模型对某流域的年径流量进行了预测检验。结果表明:经隐层单元优化的LM-BP网络收敛速度快;2001—2010年年径流量预测结果的相对误差均小于20%,合格率为100%。     

基于EMD-FOA-BP神经网络的大坝变形预测研究

建立了以经验模态分解法(EMD)和果蝇算法(FOA)优化BP神经网络为基础的EMD-FOA-BP大坝变形预测模型,该模型首先利用EMD将大坝变形序列分解成相对平稳的分量,再根据各分量的特点构造不同FOA-BP模型并进行预测,叠加各分量预测值得到最终预测结果。结果表明,EMD-FOA-BP模型的自适应能力、学习能力及非线性映射能力较强,在大坝变形预测应用中能有效提高精度,预测精度较FOA-BP模型有所提高,且明显优于BP神经网络模型和GA-BP模型。     

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.     

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。     

黄河中下游天然年径流变化趋势预测

基于神经网络理论与传统分析方法,采用改进的BP网络算法,利用黄河陕县水文站531 a天然年径流时间序列,建立了黄河中下游年径流长期变化的BP网络预测模型,并以此模型对2001—2050年黄河中下游天然年径流变化趋势进行了预测分析,结果表明:①中下游天然年径流在未来50 a变化的大趋势是丰水时段比枯水时段略占优势,要经历2001—2020年相对丰水时段、2021—2026年相对枯水时段、2027—2037年相对丰水时段及2038—2050年相对枯水时段;②黄河中下游与上游的天然年径流变化的大趋势基本一致,但中下游出现连续枯水时段的时间较上游长。     

黄河上游天然年径流长期变化趋势预测

基于神经网络理论与传统分析方法,采用改进的BP网络算法,利用黄河青铜峡水文站278年(1723~2000年)的天然年径流时间序列,建立了黄河上游年径流长期变化的BP网络预测模型,并以此模型对2001~2050年黄河上游天然年径流变化趋势进行预测分析,结论认为:①黄河上游天然年径流在未来50 a变化的大趋势是丰水时段占优势,且黄河干流天然年径流变化要经历3个不同的时段,即2001~2013年以多年平均水平为基准上下波动的时段、2014~2037年相对丰水时段和2038~2050年相对枯水时段;②用神经网络理论建立了黄河天然年径流中长期BP网络预测模型,模型预测分析的未来几十年黄河天然年径流变化的大趋势是可信的。     

基于GA-Elman神经网络模型的年径流预测

针对传统神经网络模型静态性及训练算法易陷入局部极值的缺陷,为了实现神经网络训练全局寻优,提高模拟精度,并使网络结构能动态反映年径流系列的时变特性,本文以年降雨及气温作为输入因子、年径流量为模型预测对象,结合遗传算法和Elman神经网络各自的优点,采用遗传算法对网络权值阈值全局优化,通过二者的耦合构建了GA-Elman年径流预测模型。利用构皮滩站1961—2015年的径流系列对模型进行了训练及测试,并对各模型预测性能比较分析。结果表明:GA-Elman模型预测平均相对误差5.29%、均方根误差55.81 mm,效果良好,对于径流预测具有实用价值;神经网络模型预测精度优于基于线性方法的模型,预测平均相对误差从12.01%降至7.07%以下;采用遗传算法改进神经网络权值阈值优化过程,预测平均相对误差从7.07%降低到5.29%,可明显提高模型泛化能力,从而改善径流预测效果。     

小波神经网络在径流预测中的应用

将小波分析与传统的BP神经网络模型进行组合,提出了一种新的径流中长期预测方法。该方法对年径流序列进行Mallat小波分解,将分解后得到的不同尺度下的低频成分和高频成分分别进行Mallat算法重构,对重构系列采用BP神经网络模型进行预测。采用黄河三门峡站1470-2002年的年径流资料进行模型的预测和检验,并与传统的BP神经网络模型进行比较,研究结果表明小波神经网络在径流预测中具有较好的预报精度,可以成功地用于径流模拟和预测。     

基于BP网络的河道径流预报方法与应用

河道径流预报过程可以认为是一种复杂非线性函数关系的逼近过程。BP网络具有表达任意非线性映射的特性,因此建立了基于MATLAB神经网络工具箱的BP网络的径流预报模型。其中采用自相关函数确定网络输入层的神经元数,通过比较样本均方误差值来确定隐含层的神经元数。利用清江渔峡口以上流域1989~1995年的径流量资料对该模型进行了训练和检验,从而完成了该流域年径流量的预报,并且用多项精度评定指标对其进行了精度定量评价。结果表明:所建模型对所选流域的径流预报精度达到了乙等以上水平,具有一定的实用性。     

基于Matlab神经网络的流域年径流量预测

阐述了运用人工神经网络模型对流域年径流量径流序列做出预报,表明人工神经网络模型在水文预报中具有一定的优势。通过BP神经网络算法得到了适合该神经网络模型的训练算法。以渔峡口站年径流量实测序列为研究对象,在数值试验的基础上建立了年径流序列预报的人工神经网络预报模型结构,提高了该模型的预报准确性。     

回归支持向量机模型及其在年径流预测中的应用

研究交叉验证（CV）SVR年径流预测模型,以云南省清水江革雷站为例进行实例分析。利用SPSS软件选取年径流影响因子,确定输入向量;采用CV方法搜寻SVR惩罚因子C和核函数参数g,构建CV-SVR多元变量年径流预测模型,并构建GA-BP、传统BP模型作为对比模型。利用所构建的模型对实例进行预测。结果表明：CVSVR模型对实例后15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3.4596%、9.3035%,预测精度和泛化能力均优于GA-BP、传统BP模型,表明CV能有效搜寻SVR惩罚因子C和核函数参数g。CV-SVR模型具有预测精度高、泛化能力强以及算法稳定等特点。