相空间神经网络耦合模型在水文预测中的应用

混沌相空间理论和神经网络用于径流系统的中长期预测,较传统途径可以更多地利用时间序列中包含的丰富信息,更好地揭示水文动力学系统的规律.针对混沌时间序列,结合混沌分析理论和BP神经网络,建立了相空间重构和BP神经网络耦合预测模型.经实例研究初步表明,用神经网络拟合相空间相点演化的非线性关系是可行的;相空间神经网络耦合预测模型在水文中长期预报中的应用是可行的、合理的,有较好的预报精度和应用价值.     

基于相空间重构理论的神经网络在大坝渗流预测中的应用

简述了混沌预测方法和原理,提出运用神经网络来模拟混沌系统的动力学模型。通过实例重构出大坝渗流观测数据相空间,将其作为神经网络的输入,对渗流观测数据进行了预测。计算结果表明,基于相空间重构理论的神经网络模型具有一定的准确性和有效性,对于处理非线性问题是一种有益的探索。     

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.     

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。     

日含沙量时间序列的混沌识别与预测研究

运用关联指数饱和法和改进的最大Lyapunov指数方法对流域产沙系统进行了混沌识别,结果表明日含量序列具有混沌特性.并以重构相空间的饱和嵌入维数作为神经网络输入层节点数,将混沌理论和神经网络二者有机结合,建立了混沌神经网络模型.将该模型用于黄河上游头道拐水文站汛期日含沙量预测,结果表明,该模型应用在汛期日含沙量预测中具有较高的精度.     

灌区降水量预测的混沌神经网络模型及应用

针对降水时间序列的混沌特性,综合运用混沌理论与神经网络方法的基本原理,通过相空间重构的方法建立了灌区降水量预测的混沌神经网络模型,并给出了计算方法和步骤,从新的角度研究灌区降水预测问题。并将该模型用于濮阳灌区降水量预测,结果表明该模型对降水量的预测准确度较高。     

月径流序列混沌特性识别及预测

以混沌理论和相空间重构原理为基础,分析计算大峪水文站1955-2006年月径流序列的最佳延迟时间和嵌入维数;运用最大Lyapunov指数λ10证实大峪月径流序列具有混沌特性,从而建立了基于混沌特性的BP神经网络预测模型。仿真及预测结果表明:该模型预测精度较高,可用于大峪月径流预测。     

基于统计和混沌优化BP神经网络融合模型的大坝变形预测分析

变形是大坝结构性态动态演化的重要效应量,对其准确预报是保障大坝安全运行的基础。针对大坝变形监测数据序列中存在的混沌现象,采用混沌相关理论对统计模型中的残差序列进行混沌动力学特性分析,揭示其混沌特性并进行相空间重构。同时,利用BP神经网络处理非线性问题具有的优点,建立统计和混沌优化BP神经网络融合预测模型,将其用于工程实例。工程实例表明,该模型精度高于传统统计模型,在大坝变形安全监控中具有一定的应用价值。     

参考作物腾发量的混沌性识别及预测

本文应用饱和关联维数法对海河流域张北站从1966~2005年50年的参考作物腾发量序列进行混沌性识别,结果表明该序列存在一定的混沌特性。同时,运用自相关函数法和饱和关联维数法确定了该序列重构相空间的嵌入维数和延迟时间,并在此基础上进行了相空间的重构。建立了混沌局域法预测模型对相空间的演化进行了计算,实现了参考作物腾发量的预测,并与时间序列自回归(AR)模型和基于气象资料的BP神经网络模型预测结果进行了比较。结果表明,预测效果比BP网络模型稍差,但明显优于AR模型。这为解决缺乏气象资料地区参考作物腾发量预测问题提供了新的思路。     

珠江外源污染时序混沌特性

利用混沌理论对珠江外源污染进行分析,得到外源污染的混沌相空间,在此基础上通过定义相空间中心点、偏离度概念,获得量化的外源污染混沌相空间点的分布范围,为河流治理规划提供依据.     

大坝变形监测统计模型与混沌优化ELM组合模型

变形是反映大坝动态演化的重要效应量。为了提升统计模型预测能力,借助极限学习机(ELM)处理非线性问题的优势,对大坝位移的统计模型残差进行数据挖掘。而极限学习机欠缺对混沌动力特性的考虑,为了解决这个问题,采用混沌理论对统计模型残差进行了混沌动力学特性分析,揭示其混沌特性,并据此重构相空间,从而为混沌优化极限学习机提供先验知识。基于统计模型,结合极限学习机和混沌理论的优点,建立统计模型与混沌优化ELM的组合模型。将该组合模型应用于工程实例,由多个定量评估指标对模型进行性能评价,结果表明,组合模型建模合理,预测精度高于统计模型、统计模型与混沌优化BP神经网络组成的组合模型,在大坝变形监测中具有一定的应用价值。     

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。     

花园口断面年径流量时间序列混沌特性分析

以黄河花园口断面1953～2002年年平均径流量为时间序列资料，在G—P算法的基础上，用最小二乘法分别计算了关联维和Kolmogorov熵的稳定估计值。结果表明：①花园口年平均径流量变化存在着内在动力学机制，是由周期性和非周期性影响因子共同作用的结果，具有明显的混沌特性；②相空间吸引子的关联维为5．09，饱和嵌入维数为14，这说明要建立花园口年平均径流系统的数学模型，至少需要6个独立变最，重构相审问所需要的饱和嵌入维数为14；③Kolmogorov熵的稳定估计为0．14，说明花园口年平均径流量变化的平均可预报时间大约为7年；④用非线性确定性的混沌模型比完全的随机模型更适于描述黄河花园口年平均径流量的变化。     

基于相空间重构的水文自记忆预测模型

混沌理论为研究复杂多变的非线性水文时间序列开辟了新的途径。本文在相空间重构的基础上，反演了水文系统动力模式，据此进一步建立了相空间自记忆预测模型，并将该模型应用于月径流量预测。实例表明，该模型能较好地处理复杂的水文数据序列，且有较好的预测精度。     

克鲁伦河月径流混沌时间序列的LS-SVM和RBF预测

采用相空间重构理论计算实测月径流的延迟时间、嵌入维数、G-P饱和关联维数和Laypunov指数,证明克鲁伦河月径流时间序列存在混沌现象。混沌时间序列的最小二乘支持向量机预测模型涉及参数较少,计算过程简便,训练速度快。RBF神经网络预测模型具有较快的训练速度和较强的非线性映射能力。同时,二者在建模中都引用了径向基函数,从而更加简化了非线性问题的求解。实例表明:将这两种模型应用在月径流时间序列预测上,其运算速度都很快,但在预测精度上,最小二乘支持向量机预测模型要优于径向基神经网络预测模型。     

基于高边坡位移突变的安全监控模型

高边坡受爆破、地震等强外界作用时,位移监测值会出现明显跳跃。有效辨识测值突变位置,消除或削弱位移突变对测值序列整体数值特征的影响,是提高高边坡位移监控模型拟合和预测精度的关键问题之一。基于高边坡系统演化过程中的非线性动力学特性,应用相空间重构、云模型等数值分析手段,研究了高边坡位移突变辨识等的实现方法;在对高边坡位移与影响因素相关分析的基础上,探讨了考虑动力学结构突变影响的位移预测模型构建原理与算法。该模型重点依据最近一次位移突变后的监测资料,考虑了突变后形成的相对稳定的高边坡动力系统特性,因而可以有效提高监控模型的拟合和预测精度。     

基于混沌遗传程序设计的参考作物腾发量预测模型

利用混沌算法的全局空间寻优性能和遗传程序设计的结构自动寻优功能，建立了基于混沌遗传程序设计的参考作物腾发量预测模型。设计多组数字实验，研究输入因子间相关性对模型预测准确性的影响。预测结果与PenmanMontieth方法计算结果比较表明，该模型以混沌算法优化模型中的参数，在一定程度上解析其他模型可能因为其中的参数未能达到最优而被淘汰的问题。适应性强，精度高，为参考作物腾发量的预测提供了新的有效方法。     

Investigating Chaos and Nonlinear Forecasting in Short Term and Mid-term River Discharge

In the present study, an attempt is made to investigate and identify chaos using various techniques as well as river flow forecasting in short-term (daily) and mid-term (monthly) scales using nonlinear local approximation method (NLA) and ARIMA method. Daily and monthly flow data of Daintree River in Australia from 1969 to 2011 are used. In this respect, seven nonlinear dynamic methods including (1) average mutual information function; (2) phase space reconstruction; (3) false nearest neighbour algorithm; (4) method of surrogate data; (5) correlation dimension method; (6) Lyapunov exponent method; and (7) nonlinear local approximation are employed. The Takens’ theorem, mutual information and false nearest neighbour are used to determine the delay time and embedding dimension for the phase space reconstruction. The correlation dimensions obtained for the short term and mid-term river flow are 6.7 and 3.3, respectively. The finite dimensions obtained for the short term and mid-term river flow time series indicate the possible existence of chaos. The comparative analyses show that the NLA method is superior to ARIMA in mid-term scale while both models are acceptable for short term scale forecasting.     

基于动力属性区间辨识的混凝土坝安全监控模型

对混凝土坝位移与影响因素相关分析的基础上,考虑混凝土坝系统演化过程中的非线性动力学特性．综合应用相空间理论、动力学结构突变理论等数值分析手段,有效辨识了测值突变位置。针对突变后形成的相对稳定的动力结构,探讨了混凝土坝长效服役安全监控模型的构建原理与算法。文末通过某混凝土拱坝实例验证．表明所提出的安全监控模型对混凝土坝位移的实时监测和预警都有重要意义。