基于马尔可夫链校正GM-BP模型的径流预测

为进一步提高中长期径流预报精度,以兰西水文站1959-2014年径流深数据为例,分别利用灰色模型和BP神经网络模型对径流深数据进行预测,采用马尔可夫链推求状态概率对预测结果校正,用最小二乘法对双模型校正结果进行耦合。模型所得组合校正预测结果通过平均相对误差、均方差和合格率进行统计描述,校正后的组合预测结果平均相对误差和均方差分别为12.72%和11.70,均要优于灰色模型和BP神经网络模型且90.91%的预报结果满足相对误差小于20%的控制条件。可见,耦合模型能有效规避单一模型已存在的缺点,基于马尔可夫链的修正结果可使预测精度进一步提升。因此,本研究提供的组合校正模型在一定程度上具有更好的拟合效果和预报精度,是一种具有实用价值的预测模型。     

基于BP神经网络-马尔科夫链模型的隧道围岩位移预测

在隧道工程施工中,围岩位移预测起着很重要的作用。将BP神经网络-马尔科夫链模型引入到隧道围岩位移预测中来,通过对训练样本的学习,利用BP神经网络实现了对位移时间序列的滚动预测,同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链对相对误差进行修正,有效地提高了预测结果的精度。并将该模型应用于某公路隧道拱顶下沉位移时序预测中,结果表明该模型具有精度高、科学可靠的特点,为隧道围岩变形的预测提供了新的途径。     

模糊马尔科夫链预测模型在桂江流域径流预测中的应用

在马尔科夫链预测时需要把研究对象划分为不同的状态,而状态划分具有模糊性.提出了一种基于模糊的马尔科夫链预测模型,介绍了建模的方法和步骤,给出了模糊马尔科夫链的概率计算公式.将模型应用于桂江流域年径流预测分析,结果表明,预测与实际情况一致.     

基于改进型BP神经网络马尔科夫模型的区域需水量预测

为提高需水量预测的精确度,应用了一种BP神经网络与马尔科夫相结合的预测模型,介绍了它的基本原理及算法,并给出了该模型建立的具体过程,最后该模型被应用于需水量预测工作中,计算证明取得了较好的效果。     

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。     

考虑不同状态划分方法的马尔科夫链入库径流预测

针对传统马尔科夫链方法状态划分单一的缺点,考虑入库径流的分布特性、丰枯状态划分的模糊性及径流年内分布的不均匀性,分别采用均值-标准差法、频率法、模糊法及模糊-集对法对入库径流进行状态划分,采用一步预测与多步加权预测相结合的方式对大渡河瀑布沟水库入库径流情势进行预测,探究不同状态划分方法及预测方法对马尔科夫链径流预测结果的影响。研究表明:考虑径流年内分布的状态划分结果更为合理,常规马尔科夫链方法对径流预测准确性的影响明显。研究结果可为今后应用马尔可夫模型开展径流预测提供科学依据。     

基于Elman-马尔科夫模型的深基坑变形预测

为提高深基坑变形预测精度,在基坑地表沉降预测中引入反馈型Elman神经网络模型,利用Elman神经网络算法实现基坑沉降位移时间序列的滚动预测。以西安地铁5号线某车站基坑工程为例,基于组合预测思想,结合神经网络和马尔科夫链两种预测方法,建立了马尔科夫链优化的神经网络基坑地表沉降预测模型,借助马尔科夫链模型对其随机扰动误差进行修正,并与前馈型BP神经网络滚动预测模型对比。研究结果表明：Elman神经网络预测模型在修正前、后的预测效果均优于BP神经网络模型。设计开发出的基于MATLAB的图形用户界面（GUI）预测系统实现了模型预测过程便捷化,使预测过程能够以图形结果动态展现,具有较强实用价值。     

基于BP神经网络的旬降雨径流相关预报模型

参照流域暴雨与径流相关的特点,以实际的旬初土壤蓄水量、旬降雨量为输入条件,以实际的旬径流量为输出条件,建立BP神经网络旬降雨径流相关模型.实例表明,模型结构简单,可操作性强,利用该模型进行的旬径流预报具有较好的模拟精度,并为利用旬降雨预报信息实施旬径流中期预报奠定了基础.     

加权马尔科夫链模型在水库含沙量预测中的应用研究

本文用加权马尔科夫链模型预测水库含沙量,结合水库实测入库含沙量数据,分析加权马尔科夫链模型在水库含沙量预测精度。研究结果表明:加权马尔科夫链模型适用于水库含沙量的预测,在年尺度上预测值和实测值之间的相对误差在14.47%~19.25%,过程拟合系数0.7以上;在小时尺度上预测值和实测值之间的相对误差低于15%,过程拟合系数可达到0.65以上,预测精度符合入库含沙量预测规范的要求。研究成果对于水库含沙量预测方法提高参考价值。     

年均径流预测的遗传神经网络模型研究

为了进一步提高BP网络模型对径流预测的精度,采用遗传算法优化了BP网络初始的权值和阈值。实例研究结果表明:该方法克服了传统BP网络极易陷入局部极小值点等缺点,提出的遗传神经网络预测模型能够提高预测精度。     

基于MIV的遗传神经网络径流预报模型

针对中长期水文预报中预报对象与预报因子之间复杂的非线性关系,引入平均影响值对预报因子进行筛选,选出对头道拐站年径流量影响较大的年降水量、年均相对湿度、年均气压3个因子作为神经网络的自变量,利用遗传算法优化的BP神经网络建立了预报模型。预报结果表明:基于平均影响值的遗传神经网络的预报精度及稳定性均达到了满意的效果。     

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。     

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。     

大坝变形监控的逐步回归马尔科夫模型

常规逐步回归模型具有建模简单,能表示自变量和因变量的显式函数关系和使用广泛等优点,但逐步回归模型在因变量测值波动比较大时拟合和预报误差大,而马尔科夫链模型具有适应大波动的优点,为此将逐步回归与马尔科夫模型相结合,提出一种高精度的变形预报模型.在介绍逐步回归模型和马尔科夫预报模型概念的基础上,利用某大坝的实测资料进行建模分析.实践表明,变形预报值能很好地吻合了实测结果,表明该模型可以用于大坝安全监控.     

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。     

基于CEEMD-BP模型的汾河上游月径流预测

为了减轻径流序列的非线性、非平稳性对径流预测结果的影响,针对汾河上游上静游站、汾河水库站、寨上站及兰村站1958—2000年的月径流序列,采用CEEMD法及BP神经网络,建立了汾河上游月径流预测的CEEMD-BP模型,并与单一BP模型及EMD-BP模型的预测结果进行了对比分析。结果表明:验证期CEEMD-BP模型径流预测的平均绝对误差、均方根误差与单一BP模型相比分别减小53%～62%、48%～65%,与EMD-BP模型相比分别减小34%～46%、30%～43%;CEEMD-BP模型模拟期、验证期的确定性系数均大于0.9,预测精度均为甲级,因此CEEMD-BP模型用于非线性、非平稳性径流时间序列预测是可行、有效的。     

灰色灾变预报模型对汉江安康站枯水年径流的长期预测

(一)前言我国近代的水文气象长期预报是由涂长望于1935年创始的。他根据瓦克的理论与方法,研究冷暖和旱涝同世界各地天气,特别同三大涛动的关系,提出了预报方程。解放后,中长期预报有了长足的发展,预报方法主要有:(1)天气学方法,研究大范围环流的持续异常造成某些地区洪涝与干旱的规律;(2)数理统计方法,根据大量历史资料应用数理统计方法寻找水文要素历史变化的统计规律和关系;(3)宇宙地球物理方法,分析宇宙地球物理因素的长期变化引起水文要素变化的规律,研究主要集中在太阳活动、海洋状况(海水表面