改进Elman神经网络在径流预测中的应用

针对传统静态前馈神经网络动态性能较差的缺点,提出一种基于遗传算法（GA）优化Elman神经网络连接权值的GA-Elman多元变量年径流预测模型.以新疆伊犁河雅马渡站径流预测为例进行实例分析,并构建传统Elman,传统BP和GA-BP多元变量年径流预测模型作为对比模型,预测结果与文献IEA-BP网络模型预测结果进行对比.结果表明:①GA-Elman模型的拟合及预测效果略优于文献IEA-BP模型,该模型用于多元变量年径流预测是合理可行的,具有较好的预测精度和泛化能力.②在相同网络结构及传递函数等条件下,GA-Elman模型的预测精度和泛化能力优于GA-BP模型,传统Elman模型优于传统BP模型,表明具有适应时变特性的Elman反馈动态递归网络预测性能优于BP网络;GA能有效优化Elman神经网络连接权值,使网络的预测精度和泛化能力有了较大提高.     

随机神经网络与支持向量机在枯水期月径流预测中的应用

针对支持向量机(SVM)最佳算法参数难以确定的不足,利用典型随机神经网络RNN—Boltzmann机能量全局最小状态对应待优化目标全局极小值原理,提出Boltzmann-SVM预测模型,利用Boltzmann机搜寻SVM学习参数,并与基于GA算法搜寻SVM学习参数的GA-SVM预测模型作对比,以云南省河边水文站枯水期1月径流预测为例进行实例研究,利用实例前40年和后6年资料对模型进行训练和预测。结果表明:Boltzmann-SVM模型对实例后6年枯水期1月月均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7.30%、9.01%,精度优于GA-SVM模型,表明Boltzmann-SVM模型具有较好的预测精度和泛化能力。Boltzmann机融合了模拟退火算法(SA)与BP、Hopfield神经网络在网络结构、学习算法和动态运行机制中的优点,在解决组合优化问题上具有全局寻优能力强、收敛速度快等特点。     

改进RBF-Adaboost模型及其在年径流预测中的应用

为提高径向基神经网络(RBF)在年径流预测中精度,提出基于Adaboost算法及线性递减算法改进的RBF-Adaboost预测模型,以云南省姑老河站年径流预测为例进行实例研究,并构建RBF、GA-BP及BP模型作为对比模型.利用实例前34年和后20年资料对所构建的模型进行训练和预测.结果表明:改进RBF-Adaboost模型对实例后20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4.83％、9.51％,预测精度优于RBF、GA-BP及BP模型.RBF-Adaboost模型集成了多个基于扩展系数及期望误差线性递减改进的RBF神经网络弱预测器,有效提高了RBF神经网络模型在年径流预测中的精度,模型具有预测精度高、泛化能力强等优点.     

基于小波去噪及优化BP神经网络的滑坡变形预测研究

为提高滑坡变形预测精度,以小波去噪和优化BP神经网络为基础,构建了滑坡变形预测模型,即先利用小波去噪剔除滑坡变形序列中的误差信息,再利用BP神经网络实现滑坡变形预测,且为保证其预测精度,利用试算筛选和混沌理论优化其模型参数,以实现滑坡变形的优化预测。实例研究表明:小波函数、阈值选取方法和小波分解层数对去噪效果的影响较大,sym8小波函数、软阈值及12层分解层数组合在实例中的去噪效果相对最优;同时,隐层节点数优化和节点阈值优化能有效提高BP神经网络的预测精度,在初步预测效果评价中,SH1号监测点的相对误差均小于2%,平均相对误差仅为1.65%,并在可靠性验证中,SHZ2号和SHZ3号监测点预测结果的平均相对误差分别为1.54%和1.51%,说明该模型不仅具有较高的预测精度,还具有较好的稳定性,适用于滑坡变形预测。     

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。     

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。     

基于主成分分析的GA-BP模型在城市需水预测中的应用研究

针对城市需水预测模型中需水量影响因子多、影响因子之间普遍存在多重共线问题,以及BP神经网络收敛速度慢、易陷入局部最优等缺点,提出一种由主成分分析、遗传算法及BP神经网络三者相结合的改进预测模型。以泰州市为实例,建立以主成分分析筛选需水量主要影响因子,遗传算法优化BP网络连接权值和阈值的需水预测模型,预测结果与BP神经网络预测模型预测结果做对比。结果表明:改进预测模型对泰州市2003-2014年需水量预测的平均相对误差为0.564%,最大相对误差为1.681%,精度优于BP神经网络预测模型;改进预测模型预测值与实际泰州市需水量吻合良好且训练速度更快、预测精度更高,可作为需水预测的一种有效方法。     

基于主成分分析的GA-BP模型在城市需水预测中的应用

针对城市需水预测模型中需水量影响因子多、影响因子之间普遍存在多重共线问题,以及BP神经网络收敛速度慢、易陷入局部最优等缺点,提出一种由主成分分析、遗传算法及BP神经网络三者相结合的改进预测模型。以泰州市为实例,建立以主成分分析筛选需水量主要影响因子,遗传算法优化BP网络连接权值和阈值的需水预测模型,预测结果与BP神经网络预测模型预测结果做对比。结果表明:改进预测模型对泰州市2003-2014年需水量预测的平均相对误差为0.564%,最大相对误差为1.681%,精度优于BP神经网络预测模型;改进预测模型预测值与实际泰州市需水量吻合良好且训练速度更快、预测精度更高,可作为需水预测的一种有效方法。     

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。     

遗传算法与最小二乘支持向量机在年径流预测中的应用

为克服最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数的不足,利用遗传优化算法(GA)选择LSSVM惩罚因子C和核函数参数σ2,构建GA-LSSVM年径流预测模型,并构建LSSVM、GA-BP和传统BP模型作为对比,以云南省河边水文站年径流预测为例进行实例研究,利用实例前30 a和后22 a资料分别对各模型进行训练和预测。结果表明:GA-LSSVM模型对实例后22 a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3.13%、8.66%,预测精度优于LSSVM、GA-BP和传统BP模型。GA算法全局寻优能力强,利用GA算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。     

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。     

泾河年径流量BP神经网络模型研究

以1957—2000年的实测降水序列和泾河年径流量序列为研究对象,利用EMD法和GA建立了泾河年径流量的BP神经网络模型。分析结果表明:泾河流域年降水量变化可能存在准2～3、5～7、10～13、18～22 a的周期;基于EMD的年径流量BP神经网络模型预测值的相对误差为-4.71%～8.21%,基于GA的年径流量BP神经网络模型预测值的相对误差为2.25%～12.22%。     

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。     

基于遗传算法的Elman神经网络模型在大坝位移预测中的应用

针对大坝位移预测问题的复杂性、时变性和传统预测模型的不足,结合遗传算法(GA)的全局随机搜索能力和Elman神经网络的非线性映射、动态反馈信息和记忆功能的特点,建立了GA-Elman神经网络模型。与Elman神经网络模型相比,GA-Elman神经网络模型在预测大坝变形时具有全局收敛的特点,可以克服Elman神经网络容易陷入局部极小的缺陷。将该模型用于预测某水电站大坝实测变形数据,表明GA-Elman神经网络模型的预测精度高,在大坝位移预测中具备实用性。     

基于GA-Elman的河流水位预测方法研究

河流水位的变化过程是一个复杂的非线性过程,传统的神经网络预测存在误差较大、收敛速度慢、稳定性差等问题。为了实现对河流水位的有效预测,提出基于遗传算法(GA)优化Elman神经网络的河流水位预测模型。将GA与Elman网络进行有效结合,解决了单一Elman网络存在的不足。选取永定河的监测站点水文数据对河流水位进行预测与检验,并分别将其与Elman网络与BP网络预测结果进行对比。对比结果表明:GA-Elman水位预测模型的收敛速度快、精度高,可根据预测结果实现对水库、拦河闸合理调用,实现对河流水资源的有效配置,以满足灌溉、发电、防洪等工作的需求。     

基于GA-BP神经网络的粗粒土渗透系数预测

针对粗粒土渗透性能受颗粒级配、密实程度等因素影响而呈现明显差异,提出一种粗粒土渗透系数预测方法。收集并整理得到93组粗粒土数据,以全级配(d₁₀~d₁₀₀)和孔隙比作为BP神经网络的输入变量,利用遗传算法优化BP神经网络的初始权值与阀值,构建基于BP神经网络和遗传算法的粗粒土渗透系数预测模型。结果表明:该GA-BP神经网络经过55次迭代之后精度满足要求;87组训练样本预测结果的平均相对误差为5.10%,其中有75%的样本相对误差小于平均相对误差;6组检测样本预测结果的平均相对误差为6.39%,该网络模型泛化性能良好。采用GA-BP神经网络,由全级配和孔隙比能较好地预测粗粒土的渗透系数,且收敛速度、预测精度及泛化性能均优于标准的BP神经网络模型。