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。     

基于小波分析的ANN模型日径流预测研究

介绍基于小波分析建立的人工神经网络模型,并给出构造模型的一般步骤及关键算法.利用此模型对日径流进行模拟与预测,实验表明,基于小波分析的人工神经网络模型在日径流模拟过程中具有很好的仿真能力,训练后的模型用于预测具有较高的精度.     

日径流预测方法研究

运用自回归方法、多元线性回归方法和人工神经网络方法分别对汛期和非汛期的日径流量进行了预测,汛期预报因子又分别用有降水因子和无降水因子进行了预测。预测结果表明：非汛期的预测精度较高,汛期预测效果较差。另外,在汛期,有降水因子的预测结果要比没有降水因子预测效果好。     

粒子群小波人工神经网络组合模型的径流预测

为了克服传统径流过程预测容易产生累积误差的缺点,提高径流预测精度,提出了一种基于粒子群小波人工神经嘲络组合模型的月径流过程预测算法,该算法具有原理简单、实用性强等特点.将该算法用于预测某电厂月径流过程计算,结果表明,其预测结果精度高,可为水电厂提供可靠的入库径流,对水电厂制定合理的运行方式有重要作用.     

基于BP神经网络的黄河中游日径流预测研究

针对黄河中游干流6个主要水文站日径流时间序列,采用梯度下降算法、Levenberg-Marquardt(LM)算法和弹性算法构建BP神经网络模型进行日径流预测,并与二阶自回归模型模拟结果进行对比。对比分析采用均方根误差(RMSE)、纳什效率系数(NSE)指标和误差合格率作为评价依据。结果表明:梯度下降BP神经网络模型模拟效果明显较差,其他三种模型具有更优的模拟性能,能够满足黄河中游干流主要水文站日径流预测的精度要求;日径流时间序列的数理统计分析能够为选取合适的径流预测模型提供依据,一阶自相关系数较高时建议采用自回归模型,偏态系数较高时不建议选用BP神经网络模型。     

基于人工神经网络的黄河源区枯季径流预报

分析了黄河源区枯季径流的影响因素,并选取基于枯季径流形成机理的、与径流相关性高的因子作为人工神经网络模型的输入,运用误差逆传播算法的多层前向网络,利用VC^ 语言调用随机函数克服了网络全局寻优的缺陷,建立了黄河源区枯季径流预报的BP模型。对黄河源区枯季径流长期预报的结果表明,ANN(7,1,15,1)模型预报结果精度高,容错能力强,是枯季径流预报的有效手段。     

日径流序列MISO预测的NLP应用模式研究

以广西梧江流域阳朔、恭城和平乐3个水文站1973~2001年的日径流量为例,研究了不同组合工况下的M ISO预测的NLP应用效果。结果表明:与线性处理方法相比,采用非线性变换方法预测性能仍然提高较大;与不同变换的组合相比,各输入输出序列均采用相同的变换方法或相同变换特征的NLP方法,可以得到更高的预测精度。     

基于神经网络的年径流预测模型

年径流预测过程可以认为是一种复杂非线性函数关系的逼近过程。人工神经网络具有表达任意非线性映射的特性，在分类、学习和容错方面表现出很好的能力，可以克服常用的如回归分析模型结构更新量大、预报精度低的缺陷。以下着重介绍了ＡＮＮ 基本原理和算法，并结合实例说明了应用方法，并且通过建立年径流预测的人工神经网络模型，为年径流预测提供了具有实用价值的基本理论和实施技术。     

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。     

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。     

人工神经网络在水资源管理中的应用

近几年来，人工神经网络受到越来越多从事水资源研究学者的关注，成为该领域的新理论。文中的目的是想对人工神经网络在水资源管理领域的应用进行一个总结。这些应用包括特征辨识、预测与预报、函数逼近、优化计算等多个方面。文中首先对研究情况进行了一般性的回顾，然后分别对各类应用重点进行了评述，最后通过总结给出了进一步研究的建议。     

人工神经网络在我国流域水沙分析预测中的应用研究进展

从人工神经网络独特的特点和类型入手,详细地介绍了人工神经网络模型在我国流域水沙分析预测研究中的应用情况．并对其在研究中存在的问题和以后的研究方向作了探讨。     

Artificial neural network model for synthetic streamflow generation

Time series of streamflow plays an important role in planning, design and management of water resources system. In the event of non availability of a long series of historical streamflow record, generation of the data series is of utmost importance. Although a number of models exist, they may not always produce satisfactory result in respect of statistics of the historical data. In such event, artificial neural network (ANN) model can be a potential alternative to the conventional models. Streamflow series, which is a stochastic phenomenon, can be suitably modeled by ANN for its strong capability to perform non-linear mapping. An ANN model developed for generating synthetic streamflow series of the Pagladia River, a major north bank tributary of the river Brahmaputra, is presented in this paper along with its comparison with other existing models. The comparison carried out in respect of five different statistics of the historical data and synthetically generated data has shown that among the different models, viz., autoregressive moving average (ARMA) model, Thomas-Fiering model and ANN model, the ANN based model has performed better in generating synthetic streamflow series for the Pagladia River.     

离散Hopfield神经网络在湖库营养状态评价中的应用——以全国24个湖库富营养化等级评价为例

基于离散Hopfield神经网络联想记忆特性,建立了湖库富营养化等级综合评价模型,对全国24个湖库进行富营养化等级综合评价,并与文献投影寻踪法、评分指标法和LM-BP网络法的评价结果进行比较。结果表明:①离散Hopfield神经网络运用于湖库营养化等级评价具有简单、直观,容易实现等优点,其评价结果令人满意;②一般离散Hopfield神经网络并非适用于任何富营养化等级评价,当评价对象单项指标(因子)间存在较大差异时,对象将得不到正确的评价。     

基于人工神经网络的河川径流实时预报研究

将人工神经网络技术应用于河川径流实时预报,建立起河川径流实时预报的BP网络模型,并针对经典BP算法所存在的缺陷,采用共轭梯度优化和误差反向传播训练算法,使得所建立的BP网络模型的收敛性大为改善,消除和避免了实际应用中可能出现的局部优化问题．利用西大洋水库1975～1995年的入库径流系列资料,对所建立的BP网络模型进行训练和检验,同时探讨了网络结构对网络模型预报结果的影响．通过大量的实际应用和对比分析,表明BP网络模型比HG分析模型和相关图法更优越、更具有实际推广和应用价值．     

基于神经网络模型的某大坝混凝土弹性模量时变规律反演分析

基于人工神经网络的非线性映射特性,在三维有限元计算的基础上,结合大坝原型观测资料,提出了大坝参数时变规律的反演方法。以某混凝土重力坝的原型观测资料为例,利用该方法反演得出了该坝坝体混凝土弹性模量的变化规律。结果表明该方法是切实可行的,可应用于分析评价大坝材料参数的变化。     

干旱内陆区自然-人工条件下地下水位动态的ANN模型

根据我国干旱内陆区自然-人工条件下地下水系统的特点,建立了甘肃省石羊河流域下游地下水位动态的人工神经网络模型,采用附加动量法和学习速率自适应调整策略对反向传播算法（BP）进行改造,以提高计算速度。该模型以前期地下水位、降雨量、蒸发量、地表来水量、灌溉面积、灌水定额、人口数量作为输入变量,采用缺省因子检验法分析了上述各个因子对地下水位影响的敏感性,模拟了不同灌溉发展面积及地表来水条件下地下水位动态。结果表明：研究区人类活动及地表来水是影响地下水位动态的主要因子,灌溉面积的扩大及地表来水的减少会使地下水位持续下降。模型具有较高的精度,可以较好地定量描述地下水位动态与上述各因子之间的响应关系;研究结果可应用于该地区地下水系统的管理。     

BP-ANN模型在井灌水稻区地下水埋深预测中的应用

利用改进的BP算法,对三江平原创业农场进灌水稻区月平均地下水埋深进行了模拟仿真,网络拟合精度与预测精度均达到满意效果。BP－ANN模型为节约地下水开采量,恢复该地区的地下水动态平衡、制订农作物优化灌溉制度,促进农业及水资源的可持续发展提供参考作用。     

基于改进BP算法的地下水动态预测模型

运用学习率自适应动量BP算法建立了吉林西部地下水埋深人工神经网络模拟预测模型。首先利用自回归分析方法确定网络输入输出样本,而后应用“试错法”确定隐含层节点数,最终建立了6∶10∶1的ANN地下水动态模拟预报模型,最后应用VB语言依据改进BP算法编制计算程序进行模拟计算。通过对模型检验可知该模型模拟和预测精度均较高,完全可应用于地下水位动态预报。2002年以后的预报结果表明该地区地下水位持续下降,应及时加以控制。     

基于人工神经网络的钢筋混凝土受弯构件正截面抗裂预测

钢筋混凝土构件抗烈度预测受多种条件因素的影响,现有的方法由试验实测数据建立的数学模型误差较大,因此有必要寻求一种精度较高的方法进行抗烈度预测。通过实测试验数据,训练形成一个三层BP网络,其中78组数据作为学习样本,另外9组数据则作为测试样本,建立了人工神经网络预测钢筋混凝土正截面抗裂性能的方法,还对其他模型抗裂性能的计算值与实测值进行了比较。该方法预测值与试验值吻合良好。结果表明,提出的人工神经网络预测钢筋混凝土正截面抗裂度预测方法具有对直接参与训练的数据仿真效果好,整体预测精度高,与理论分析得出的结论基本一致,可用于受弯构件抗烈度预测。