小波和混沌神经网络在大坝变形预测中的应用

大坝是复杂的变形系统,其变形表现为动态非线性,也存在混沌现象。为充分利用大坝变形监测位移时间序列,实现位移单变量情况下的准确预测,提出了一种小波和混沌神经网络预测新方法,首先对大坝位移变形监测数据进行小波分解,其次对分解后的平滑信号进行傅里叶函数拟合预测,再对细节信号进行软阈值去噪和混沌神经网络预测,最后将预测信号进行小波重构。通过工程实例对比分析了小波和混沌神经网络预测新方法、神经网络模型、多元回归模型在大坝位移变形预测中的精度。结果表明,小波和混沌神经网络预测方法的预测精度最高,可以应用于大坝变形预测。     

基于多尺度相关向量机的城市日用水量预测

为提高日用水量预测精度,提出一种基于多尺度相关向量机的预测模型。通过静态小波分解将用水量非平稳时间序列分解为不同尺度的平稳时间序列,然后在分解后的各子序列分别建立相关向量机回归模型进行预测,最后通过小波逆变换将各子序列预测结果整合得出原始用水量时间序列的预测值。在实例分析中分别利用多尺度关联向量机模型和单尺度相关向量机预测模型对实际用水量进行预测分析。结果表明,前者具有更高的预测精度,可应用于城市日用水量的预测。     

基于小波分析技术的中长期径流预测模型研究

针对中长期径流预测精度低的问题,提出了基于小波分析技术的时间序列预测模型。利用小波函数db(5)将年径流序列进行尺度为3的分解,得到相应的低频信号和高频信号,然后对各级分解信号利用ARMA(2,1)模型进行预报,最后将各预报结果叠加合成原始径流的预测值,并与ARMA模型直接预测的年径流值比较,通过实例得出前者预测模型要比后者预测的精度更高、稳定性更好,从而验证了该中长期径流预测模型的有效性。     

融合小波阈值与多维自回归的时序预报模型研究

针对传统统计模型并不能完全涵盖位移影响分量信息以及真实影响分量信息易受到噪声干扰等问题，提出了一种融合小波阈值理论与多维自回归的混凝土坝位移时序预报模型。该方法主要是将小波阈值理论与时间序列算法结合起来创建混凝土坝位移时序预报模型，模型通过不同小波分解层数、小波基、阈值选取准则、阈值函数集成出一个MATLAB编码平台进行数据平滑处理，能高效挖掘大坝位移数据的影响分量信息，并选择自回归(autoregressive model, AR)时间序列模型作为预报模型。实例应用表明，新的融合模型预测性能较好，能有效监测大坝运行状态，且其分析结果对于其他数字工程的数据预测也具参考价值。     

基于小波分析技术的中长期径流预测模型研究

针对中长期径流预测精度低的问题,提出了基于小波分析技术的时间序列预测模型。利用小波函数db(5)将年径流序列进行尺度为3的分解,得到相应的低频信号和高频信号,然后对各级分解信号利用ARMA(2,1)模型进行预报,最后将各预报结果叠加合成原始径流的预测值,并与ARMA模型直接预测的年径流值比较,通过实例得出前者预测模型要比后者预测的精度更高、稳定性更好,从而验证了该中长期径流预测模型的有效性。     

基于小波变换的水文时间序列分解

运用Mallat算法和Daubechies小波，介绍了基于小波变换的水文时间序列分解方法。通过小波变换，将水文时间序列分解成不同时间尺度的确定性序列和随机序列，为建立水文时间序列中长期预报耦合模型打下了基础：以长江寸滩站日平均流量和年最大流量序列为例，进行了小波变换：通过对分解后的序列进行重构，结果是满意的。     

小波消噪在枯水期来水量预报中的应用

根据小波理论,将枯水期来水量序列进行小波分解,并用软阈值方法进行消噪处理。用消噪后的小波系数进行序列重构,对重构后的序列进行时间序列分析,构建时间序列AR（p）模型,用AR（p）模型进行来水量的预测。     

耦合自相关理论与小波神经网络的地下水模拟预测模型

地下水位演化趋势具有一定的振荡特性,使得其预测工作难以开展。针对该特性,引入自回归理论及小波神经网络(WNN)模型,提出了一种修正的地下水位预测方法。首先,该方法基于自相关理论对地下水位监测数据进行时间序列分析,选择合理先验区间作为预测模型的输入;然后,建立以合理先验区间为输入,当前地下水位为目标的WNN预测模型;最后,建立了基于传统回归预测算法的地下水位预测模型,预测结果与WNN进行验证分析。通过案例分析,选择了t-1至t-6作为合理的监测数据先验区间;进化131次的WNN能返回最优的预测结果,其精度明显优于KNN、AdaBoost、SVR和ANN等传统方法。笔者认为WNN是一种精确可靠的地下水位预测模型,能在该领域发挥一定的积极作用。     

基于小波分析的月径流ARIMA预测方法

将一种基于小波分析的自回归滑动平均求和（ARIMA）模型用于月径流的预测。首先利用小波变换良好的局部化特性，将月径流序列分解成不同时间尺度上的子序列；然后对各个子序列利用ARIMA模型进行预测。将采用基于小波分析的ARIMA模型的预测结果与直接使用ARIMA模型的预测结果进行比较，结果表明引入小波变换提高了月径流预报精度。     

小波分解高、低频双自回归模型及其在水质监测中的应用

针对一些水库水质监测数据序列不仅具有平稳性、周期性,而且具有显著的多尺度性的特点,在单一自回归模型的基础上,利用多尺度小波分析的原理与方法对水质数据序列作预处理,进行分解与重构,并对重构的不同尺度下的数据子序列分别建立高、低频自回归预测模型,最后叠加各尺度下的预测结果。将该方法应用于梁辉水库4种水质指标的预测研究,结果表明与单一自回归模型相比,预测精度有明显提高。     

The Research of Monthly Discharge Predictor-corrector Model Based on Wavelet Decomposition

Based on wavelet analysis theory, a wavelet predictor-corrector model is developed for the simulation and prediction of monthly discharge time series. In this model, the non-stationary time series of monthly discharge is decomposed into an approximated time series and several stationary detail time series according to the principle of wavelet decomposition. Each one of the decomposed time series is predicted, respectively, through the ARMA model for stationary time series. Then the correction procedure is conducted for the sum of the prediction results. Taking the monthly discharge at Yichang station of Yangtse River as an example, the monthly discharge is simulated by using ARMA model, seasonal ARIMA model, BP artificial neural network model and the wavelet predictor-corrector model proposed in this article, respectively. And the effect of decomposition scale for the wavelet predictor-corrector model is also discussed. It is shown that the wavelet predictor-corrector model has higher prediction accuracy than the some other models and the decomposition scale has no obvious effect on the prediction for monthly discharge time series in the example.     

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。     

小波网络模型在年径流预测中的应用

结合人工神经网络（ANN）的较强非线性逼近功能和自学习、自适应特点。充分发挥两者优势，将小波分析与人工神经网络进行耦合（即小波网络模型）。将非线性时间序列实行小波变换．再以小波变换序列作为ANN的输入、原始时间序列作为ANN的输出，最后训练网络并进行预测。     

基于子波变换序列的人工神经网络组合预测

本文引入一种新的水文序列组合预测方法，首先对水文离列施行ＡＴｒｏｕｓ子波变换，得到其在各倍频程上的子波系数，其次利用人工神经网络预测模型对子皮系数进行了多尺度组合预测：而后运用ＡＴｒｏｕｓ完全重构公式，得到水文序列的预测，本文对宜昌站年平均径流离列作了研究，结果显示预测效果理想。     

基于混沌的大坝监测序列小波RBF神经网络预测模型

本文结合混沌理论、小波分解与重构,以及径向基函数(RBF)神经网络的优点,提出了一种基于混沌的大坝监测序列小波RBF神经网络预测模型。该模型主要利用小波分析将大坝监测序列分解为趋势项和细节时间序列,并利用RBF神经网络和基于RBF神经网络的混沌理论对两种时间序列进行预测,最后通过小波重构得到预测值。实例分析表明,本模型能够克服监测序列中的噪声干扰,反映大坝监测序列的多尺度特性,对监测数据的预测精度较高,可应用于实际工程。     

基于小波包分解的 LS-SVM-ARIMA 组合降水预测

针对降水量影响因素众多, 是一种复杂的非平稳、非线性且存在噪声问题的时间序列的特点, 提出一种基于小波包分解的 LS-SVM 与 ARIMA 组合模型的年降水量预测方法。利用小波包将降水序列分解成低频趋势序列和高频细节序列; 应用 LS-SVM 模型预测低频趋势序列, ARIMA 模型预测高频细节序列; 将两个模型的预测结果叠加, 得到年降水量的预测值。实例验证表明: 小波包对时间序列的分解比小波分解更精细, 组合模型预测能够全面的提取降水序列中所包含的信息, 更好地反映年降水量随时间变化规律, 提高了年降水量预测的精准度, 为降水量预测提供一种新方法。     

基于小波分析与人工神经网络的水轮机压力脉动信号分析

针对水轮机尾水管压力脉动信号的非平稳和时变特性,提出了一种基于小波分析和自组织人工神经网络相结合的尾水管压力脉动信号的分析方法。这种方法首先应用小波阈值法对信号进行降噪减少干扰,然后将小波分解系数重构得到不同频带的信号分量,并提取显著的不同频带能量,最后将各频带能量作为特征向量,用自组织人工神经网络进行模式识别,得到了...     

基于Elman小波神经网络的挠力河流域地下水开采量预测研究

应用E lm an神经网络和小波分析建立了E lm an小波神经网络模型,给出E lm an小波神经网络的训练过程,并将其应用到挠力河流域地下水开采量预测中。结果表明:该模型具有较高的预测精度,较快的收敛特性和较好的预报效果。     

基于小波分解及Arima误差修正的径流预测模型及应用

为改善传统径流预测模型对随机性时间序列的预测效果并不理想的现状,构建基于小波分解及Arima误差修正的径流预测模型。应用小波分解法将径流时间序列进行分解和重构,使非平稳、随机性的径流时间序列平稳化,对数据样本预处理后建立以相关向量机(RVM)为理论基础的径流预测模型,并采用改进粒子群算法进行核函数全局寻优,最后对模型拟合残差进行Arima误差修正。通过实例计算得到传统支持向量机(SVM)模型、RVM模型和径流预测模型的预测值平均误差分别为8.60%,9.02%和3.64%。结果表明:通过小波分解及重构方法对非平稳时间序列的预处理可有效提高预测精度,同时Arima误差修正也有很好的效果,相比于SVM模型、RVM模型,基于小波分解及Arima误差修正的径流预测模型具有更高的预测精度,在实际工程中具有一定的可行性。     

基于尺度特征融合的随机森林日供水量预测模型

针对日供水量时间序列的非平稳性和耦合特征的复杂性,引入小波分解技术和随机森林回归模型,构建了基于尺度特征融合的随机森林模型(SF-RF).首先,使用离散小波变换将单一尺度的原始时间序列分解为低、高频尺度的特征序列,提取耦合特征的多尺度信息;然后,使用随机森林回归模型拟合不同尺度特征;最后,线性融合各尺度的拟合结果获得总...