山西大同市RBF神经网络需水预测

结合生活、工业、农业用水量的特点,分析用水量的影响因素,建立径向基函数(RBF)神经网络需水预测模型,采用最近邻聚类学习算法确定RBF网络的宽度、选取聚类中心和权值.以大同市为例,采用RBF神经网络需水预测模型预测大同市在3个年份的需水量,输入层有13个节点.为影响需水预测的13个因子,输出层为城镇生活需水、农村生活需水、工业需水和农业需水4个节点.网络经过学习得到隐含层的节点数为8,3个预测年份的需水总量的相对误差分别为-6.12%、3.05%和5.57%.预测结果表明RBF神经网络具有输出不依赖初始权值,收敛速度快的特点,需水预测模型有较好的预测效果.     

基于AdaBoost集成的WPSO-RBF大坝变形监控模型

变形监测是大坝安全监测的必设项目,由于影响因子众多,常利用神经网络(如BP,RBF等)进行参数选取和模型建立。传统的径向基函数(RBF)神经网络因网络结构简单、收敛速度快而被广泛运用,但其在预测中易陷入局部最优且参数选取不当会对其收敛性产生影响。因此,首先利用动态权重粒子群算法(WPSO)对RBF神经网络的3个参数(隐含层基函数的中心c、宽度d及隐含层到输出层的权值w)进行优化,建立基于WPSO-RBF的大坝变形监控模型,然后将WPSO-RBF模型作为弱分类器,采用AdaBoost算法进行集成,建立基于WPSO-RBF-AdaBoost的大坝变形监控模型。将该模型运用到工程实例中,实例结果显示该模型具有收敛速度快、分类精度高、泛化能力好,可建立较优的大坝变形监控模型。     

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。     

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.     

基于小波分解的AVOA-DELM月径流时间序列预测模型及应用

为提高月径流时间序列预测精度，提出小波分解(WD)-非洲秃鹫优化算法(AVOA)-深度极限学习机(DELM)组合预测模型，并应用于云南省丫勒水文站月径流预测。利用WD对月径流时序数据进行分解，以获得更具规律的子序列分量；通过AVOA优化DELM隐含层神经元数，建立WD-AVOA-DELM模型对各子序列分量进行预测，将预测结果加和重构得到最终月径流预测结果。同时构建基于支持向量机(SVM)、BP神经网络两种预测器的WD-AVOA-SVM、WD-AVOA-BP、AVOA-DELM、AVOA-SVM、AVOA-BP作分析对比模型。结果表明：WD-AVOA-DELM模型对丫勒水文站月径流预测的平均绝对百分比误差为3.02%,预测误差远小于WD-STOA-SVM、WD-AVOA-BP模型，预测精度较AVOA-DELM、AVOA-SVM、AVOA-BP提高1个数量级以上，具有较好的预测效果。WD能科学降低径流序列的复杂性，提高预测精度；AVOA能有效优化DELM关键参数，提高DELM网络性能。     

基于RBF神经网络的工业取水量预测研究

介绍了径向基函数（RBF）神经网络的结构、原理和训练算法。以某市为研究对象,建立了RBF神经网络工业取水量预测模型,采用最近邻聚类学习算法确定径向基函数的宽度、聚类中心和权值。结果表明：RBF模型具有较强的非线性处理能力和逼近能力,且结构简洁、学习速度快、预测精度高,泛化能力强,克服了BP神经网络学习过程收敛过分依赖于初值和可能出现局部收敛的缺陷。     

RBF神经网络模型在山西省需水预测中的应用

分析了山西省历年城镇生活、农村生活、工业和农业用水量,建立了RBF神经网络需水预测模型,采用最近邻聚类学习算法确定径向基函数的宽度、选取聚类中心和权值。预测结果表明:山西省1998-2000年总需水量预测的相对误差为2.74%、3.33%和1.41%;1999年工业需水预测相对误差最大,也仅为13.35%。RBF神经网络需水预测模型不仅运算速度快,而且预测精度也较高。     

Elman模型在黄河上游年径流预测中的应用

Elman递归神经网络具有上下层，它将隐含层前一时刻的输出反馈到当前时刻的输入，这种反馈连接使Elman网络能够检测随时间变化的序列信息；径流是一种受时问变化影响比较大的信息。因此，采用Elman神经网络理论进行径流预测比较符合径流随时间变化的特点。利用黄河青铜峡水文站数百年的天然年径流时间序列，采用Elman递归神经网络对黄河青铜峡的天然年径流进行预测分析，结果表明，该模型应用在黄河上游的长期预测中是合理、可行的。     

基于EMD-LSTM-ANFIS模型的年径流预测研究

为提高径流预测精度,提出基于经验模态分解(EMD)和长短期记忆(LSTM)神经网络、自适应神经模糊推理系统(ANFIS)相结合的径流预测模型。通过EMD将原始径流序列分解成多个更具规律的分量序列,利用自相关函数法(AFM)和虚假最邻近法(FNN)对每个分量序列进行相空间重构,确定输入、输出向量,建立EMD-LSTM-ANFIS预测模型,并构建EMD-LSTM、EMD-ANFIS、LSTM、ANFIS作对比模型,利用建立的5种模型对云南省龙潭站年径流进行预测及对比分析。结果表明:EMD-LSTM-ANFIS模型对实例年径流预测的平均相对误差为3.18%,平均相对误差较EMD-LSTM、EMD-ANFIS、LSTM、ANFIS模型分别降低55.0%、65.2%、68.1%、78.4%,具有更高的预测精度和更强的泛化能力。EMD-LSTM-ANFIS模型用于径流预测是可行和可靠的。     

RBF神经网络模型在金沟河流域径流预测中的应用

河川径流时间序列是一个复杂的非线性系统,使传统的预测方法难以描述其变化规律。将金沟河流域八家户站的1957年至2003年的年径流实测数据作为样本,转化为径流差后,进行归一化处理及自相关函数分析,在MATLAB环境下建立径向基神经网络径流预测模型。结果表明:与传统的BP神经网络预测比较,利用径向基神经网络模型对径流序列进行预测具有更高的精度和更短的运算时间,是径流预测的一种有效方法。     

基于混合递阶遗传算法优化RBF神经网络的BOD_5软测量方法

针对污水处理过程中关键水质参数难以在线监测的问题,提出了基于混合递阶遗传算法优化RBF神经网络的BOD5软测量方法。首先用主元分析的方法实现输入变量的降维和去相关,再用递阶遗传算法来确定合理的RBF神经网络隐含层节点数、基函数中心和宽度,而输出层则采用最小二乘法。此算法能同时优化网络参数和拓扑结构,在全局范围内寻找RBF参数的最优解。仿真结果表明,该方法可以实现污水水质的在线预测,具有较好的实时性、稳定性和较高的控制精度。     

基于EMD-FBI-ELM模型的径流预测研究

为提高径流预测精度,提出基于经验模态分解(EMD)和法务侦查(FBI)算法、极限学习机(ELM)相融合的径流预测方法。首先采用EMD将径流序列数据分解成多个更具规律的分量序列,基于自相关函数法(AFM)、虚假最邻近法(FNN)对每个分量序列进行相空间重构;其次利用FBI算法优化ELM输入层权值和隐含层偏值,建立EMD-FBI-ELM径流预测模型,并构建EMD-FBI-SVM、FBI-ELM、FBI-SVM作对比预测模型;最后通过云南省姑老河水文站年径流预测实例对EMD-FBI-ELM、EMD-FBI-SVM、FBI-ELM、FBI-SVM模型进行验证分析。结果表明：EMD-FBI-ELM模型对实例年径流预测的平均相对误差为3.97%,平均相对误差较EMD-FBI-SVM、FBI-ELM、FBI-SVM模型的预测结果分别降低了53.9%、81.7%、86.5%,具有较好的预测效果。EMD-FBI-ELM模型用于径流预测是可行的,模型及优化方法可为相关预测研究提供参考。     

基于WPD-TSO-ELM模型的月径流时间序列预测

为提高径流时间序列预测精度,减少计算规模,基于“分解-预测-重构”思想,提出小波包分解(WPD)-金枪鱼优化(TSO)算法-极限学习机(ELM)组合预测模型,并应用于云南省龙潭站、革雷站月径流预测。结果表明,TSO算法具有较好的寻优精度和全局搜索能力,寻优精度优于HHO、GWO、SFO、PSO算法。WPD-TSO-ELM模型对实例龙潭站、革雷站月径流预测的平均绝对百分比误差分别为0.175%、0.121%,预测误差小于WPD~2-TSO-ELM模型,较WPD~1-TSO-ELM、SSA-TSO-ELM、VMD-TSO-ELM模型降低1个数量级以上。WPD-TSO-ELM模型预测精度高、计算规模小,是一种简洁高效的径流时间序列预测模型。     

基于SMA-LSSVM的径流中长期预测

径流中长期预测对防洪减灾和提高水资源利用效率极为重要。为解决预测模型参数对预测精度的影响,提出一种基于黏菌算法(SMA)优化LSSVM的径流中长期预测模型。首先,选取5个标准测试函数,对比在不同维度条件下SMA和PSO算法的仿真结果;其次,利用SMA优化LSSVM的惩罚参数和核参数,并构建LSSVM、PSO-LSSVM对比模型;最后,通过漫湾水电站水库入库月径流和莺落峡水文站月径流预测实例对各模型进行验证。结果表明,SMA-LSSVM模型相比LSSVM、POS-LSSVM模型,对漫湾站月径流预测的均方误差分别降低了29.26%、7.42%,对莺落峡站月径流预测的均方误差分别降低了32.61%、6.61%,预测精度更高。提出的SMA-LSSVM模型综合预测性能更好,也为中长期径流预测提供了一种新方法。     

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RBF神经网络的山西省工业取水量预测

在分析山西省规模以上工业取水量主要影响因素基础上,利用RBF神经网络,建立了规模以上工业取水量预测模型,采用最近邻聚类学习算法确定径向基函数的宽度、选取聚类中心和权值。先用数年实际取水量数据训练网络,然后用训练好的网络模型预测取水量。结果表明:RBF神经网络结构自适应确定、训练不依赖初始权值、速度快、精度高、结果可靠。     

WPA-BP神经网络模型在枯水期月径流预测中的应用

通过8个高维复杂函数对一种新型仿生群体智能算法——狼群算法(WPA)进行仿真验证,并与粒子群优化(PSO)算法进行对比。针对BP神经网络易陷入局部极值及初始权阈值参数难以确定的不足,利用WPA算法优化BP神经网络初始参数,提出WPA-BP径流预测模型,以云南省龙潭站枯水期月径流预测为例进行实例验证,并与PSO-BP及BP模型进行比较。结果表明:1WPA算法收敛精度远远优于PSO算法,具有较好的计算鲁棒性和全局寻优能力;2WPA-BP模型预测精度优于PSO-BP及BP模型,具有较好的预测精度和泛化能力。利用WPA算法优化BP神经网络的初始权值和阈值,可有效提高BP神经网络的预测精度和泛化能力。     

R/S-GM(1,1)组合模型在径流预测中的应用

基于R/S分析法能提供有效的非线性科学预测,河川径流具有灰色禀性,为了提高河流径流预报精度,提出了R/S分析与灰色理论相结合的河川径流预测方法。该方法可以克服径流灰色预测存在的数据波动较大时预测精度降低的缺陷。将该方法应用到黑河莺落峡站和正义峡站的年径流量、汛期和非汛期径流量6个序列进行径流预测验证。结果表明:两站年径流量和汛期径流量序列的预测精度都在90%左右,非汛期径流量序列在80%以上,各径流序列预测结果与Mann-Kendall趋势检验一致,预测结果可靠,为河流径流量的科学预测提供了一种新方法。     

基于粒子群算法优化的径向基函数水质预测模型

应用粒子群算法优化径向基函数神经网络的权值,建立水质预测模型,并以青弋江水质预测为应用实例,检验模型的可行性和预测精度。结果表明,基于粒子群算法优化的径向基函数水质预测模型,结构清晰,易于实现,具有较好的预测能力。