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。     

入库流量中长期预报中几种方法的对比

对回归分析法、BP神经网络、RBF神经网络以及灰色GM(1,1)模型用于水文预报的精度进行了对比研究。结果表明:①BP神经网络与RBF神经网络对实测数据有着较好的逼近能力,且预报精度明显优于其他预报方法;②多元线性回归分析对实测数据的模拟能力和预报精度次于神经网络;③灰色模型对随机现象的模拟和预报很难达到精度要求,其水文预报精度不很理想。     

云神经网络确定含水层参数研究

高效、精确的含水层参数求解方法一直是水文地质研究领域的重要研究内容之一。实践中通常利用非稳定流抽水试验资料通过配线法确定含水层参数,但是随着计算机应用的普及,已有人开发出几种在非稳定流试验条件下求解含水层水文地质参数的快速、精确的计算机智能优化算法。在此基础上尝试建立了云神经网络模型(Cloud Neural Net,CNN),并将其应用于石家庄市元氏县3个单孔非稳定流抽水试验,对承压含水层参数进行计算,模型计算结果与当地的水文地质条件较为符合,且比传统方法及单纯的人工神经网络模型所得结果更加精确。因此云神经网络模型为研究区地下水资源评价、地下水数值模拟以及溶质运移模拟提供了另一种重要手段。     

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.     

基岩平衡冲刷深度预报的神经网络模型

采用基于拟牛顿算法快速优化修正BP神经网络算法,构建人工神经网络模型,来研究基岩平衡冲刷深度与单宽流量、上下游水位差及基岩抗冲能力等因素之间的复杂映射关系。以国内已建若干挑流工程冲刷深度的实测资料为模型的学习训练样本,对冲刷深度进行了预报,结果表明,该法具有较高的预报精度,利用此神经网络模型对冲刷深度进行预报是完全可行的。     

基于LSTM-GM神经网络模型的风暴潮增水预报方法

为充分挖掘风暴潮增水的时序关联特性,提高风暴潮增水的预报精度,综合考虑台风因素、气象要素和天文潮因素对风暴潮增水的影响,结合长短期记忆(LSTM)神经网络和灰色模型(GM)的优势,提出基于LSTM-GM神经网络模型的风暴潮增水预报方法。利用该方法采用12场历史台风数据对小清河入海口风暴潮增水进行模拟预报,并将预报结果与LSTM神经网络、BP神经网络的预报结果进行对比。结果表明：相较于LSTM神经网络和BP神经网络,LSTM-GM神经网络模型的纳什效率系数分别提高了6.5%和11.4%,均方根误差分别降低了70.6%和72.2%,平均相对误差分别降低了50%和69.2%;LSTM-GM神经网络模型可有效处理风暴潮增水与各影响因素间的非线性关系,提高风暴潮增水预报的精度。     

城市水灾害风险等级的RBF-C评估方法

针对城市水灾害系统的不确定性特征,提出了基于RBF神经网络和云模型理论的RBF-C风险等级评估方法。选取影响城市水灾害的4个基本评价因子,依据实测水文频率曲线确定相应于各风险等级的标准限值,并生成各评价因子下风险等级的综合云模型。用评价因子实测时间序列进行RBF神经网络建模,预测值代入综合云模型得到水灾害风险等级确定度分布。实例证明,RBF-C风险等级评估方法能够改进评价过程中风险归属不确定性问题,评估结果能较为准确地反映出城市水灾害的风险程度。     

基于灰色-BP神经网络组合模型的水位预测案例

为了提高水位预测的精确度,提出一种将灰色模型和神经网络模型相结合的灰色-BP神经网络预测方法。该方法通过分别计算灰色模型和神经网络模型预测结果的均方误差,按照误差计算权重并重新组合,得到最终的预测结果。研究证明,该方法比灰色模型和神经网络模型预测精度高,预报结果更加接近实测值。     

珠江河口BP神经网络的咸潮预报模型研究

珠江河口咸潮预报是制定抵御咸潮应急措施预案和珠江流域水资源管理坚强的技术支撑,对该预报模型的研究具有十分重要的现实意义。根据咸潮活动与上游径流大小、外海潮汐存在明显的非线性关系特性,采用非线性映射能力很强的BP神经网络对咸潮进行预报,通过实际数据检验,该模型预报精度较高。     

秦淮河流域东山站水位预报研究

为提高秦淮河流域东山站水位预报的精度,基于BP神经网络算法建立经验预报模型,分别根据降雨历时、起涨水位两种模式对水位涨幅进行预报。分析了两种模式预报结果,选出最优的预报模式,并用混合线性回归模型作为预报精度的参考验证。结果显示,BP神经网络模型的预报精度高于混合线性回归模型,而且BP神经网络模型两种预报模式的结果都达到了乙级标准以上,根据起涨水位的预报模式效果更好。     

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。     

相空间神经网络模型在大坝安全监控中的应用

本文将混沌理论和神经网络理论相结合，并针对某一混凝土重力坝水平位移实测值建立相空间模糊神经网络预报模型。首先对水平位移的实测序列，进行相空间重构，求算关联维，说明该序列存在混沌成分和奇异吸引子；应用自适应模糊神经网络，对水平位移实测序列构成的相点，建立相空间神经网络模型。计算结果表明，相空间神经网络模型用于大坝监控中是可行的，其预报精度优于常规的统计回归模型，能揭示大坝的非线性性质，能更好地对大坝运行性态进行分析。     

珠江河口BP神经网络的成潮预报模型研究

珠江河口咸潮预报是制定抵御咸潮应急措施预案和珠江流域水资源管理坚强的技术支撑．对该预报模型的研究具有十分重要的现实意义。根据咸潮活动与上游径流大小、外海潮汐存在明显的非线性关系特性．采用非线性映射能力很强的BP神经网络对成潮进行预报，通过实际数据检验．该模型预报精度较高。     

大坝观测数据的模糊神经网络分析

针对某一混凝土重力坝水平位移实测值建立模糊神经网络预报模型，用改进的这传算法对参数进行调整和优化，并用自组织竞争神经网络来优化换糊神经网络结构。计算结果表明，其预报精度优于常规的统计回归模型。     

短期电力负荷预报的自适应模糊神经网络方法

提出了一种新的电力负荷预报法——自适应模糊神经网络方法，该自适应模糊神经网络 推理系统具有类似 于神经网络的结构，并应用了一种混合的自适应学习算法。在此基础上， 研究了该方法在电力负荷预报中 的应用并与神经网络方法作了比较。实例表明，本文提出的 自 适应模糊神经网络电力负荷预报方法具有可 靠、鲁棒和快速等特点，优于神经网络电力负荷 预报方法，更适用于电力系统能量管理系统的实时环境。     

改进的BP神经网络模型在大坝安全监测预报中的应用

针对BP神经网络模型存在的缺陷进行了改进 ,并将改进的BP模型应用于大坝安全监测中效应量的预报。示例证明 ,改进的BP神经网络模型与常规BP神经网络模型及回归统计模型比较具有明显的优越性     

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。     

大坝观测数据的模糊神经网络分析

针对某一混凝土重力坝水平位移实测值建立模糊神经网络预报模型，用改进的遗传算法对参数进行调整和优化，并用自组织竞争神经网络来优化模糊神经网络结构。计算结果表明，其预报精度优于常规的统计回归模型。     

基于神经网络理论的开河期冰坝预报研究

在北方高寒地区的天然河道,开河期冰坝形成和导致凌汛的机理复杂,目前的冰水动力学模型难以模拟和预报其发生、发展和溃决的过程,可用的冰坝预报多采用传统的统计学方法和经验判别式法,为应对严重的防凌形势,迫切需要找到冰坝预报的新方法。本文在对开河期冰坝成因及机理研究的基础上,建立了基于神经网络理论的冰坝预报模型,并将其应用到黑龙江上游凌汛灾害频发的漠河江段冰坝预报中。通过神经网络聚类法预报冰坝是否发生,神经网络聚类法预报精度为85%,高于传统统计学的几率分析法62%的预报精度。通过预报开河日期实现了对冰坝发生时间的预报,开河日期预报平均预见期为10天,最大误差2天,预报合格率100%。该模型提前准确预报2017年黑龙江漠河江段开河冰坝发生情况。及时、准确的冰坝预报能为提前制订主动防凌方案和采取必要防凌措施提供重要的依据。