俄罗斯模型中三个重要参数线型的统计分析

对俄罗斯模型中起决定作用的涨洪历时、洪峰流量和退水系数三个参数,在运用过程中均需通过线型优化技术、假设检验等确定线型,从而大大增加了模型运用过程中的工作量,并且容易出现抽样误差。为此,特收集了六个水文站的洪水资料,统计了三个参数的分布线型,通过比较假设检验、时段量模拟效果,发现三个参数多服从三参数对数正态分布。     

基于TFPW-MK-Pettitt和EEMD的非一致性水文频率计算方法

近年来,受气候变化及人类活动的影响,使水文情势发生变化,导致频率计算中水文资料不再满足一致性的前提假设。为进行非一致性条件下的水文频率计算,提出基于TFPW-MK-Pettitt和EEMD的非一致性水文频率计算方法,首先应用去趋势预置白Mann-Kendall-Pettitt方法对水文序列进行一致性检验;其次应用EEMD方法对非一致水文序列进行修正;最后对修正的序列进行水文频率计算。统计试验和实例证明,TFPW-MK-Pettitt方法适用于我国水文序列的一致性检验;该方法运用于1956~2012年宜昌站径流序列,检验出有下降趋势;运用EEMD方法对该序列进行修正后,频率计算得出各设计值较未修正的设计值小10%左右。     

高阶概率权重矩法在广义Pareto分布参数估计中的应用

广义Pareto分布常被用作超定量洪水系列频率分析的拟合线型。已有研究表明高阶概率权重矩能够用于广义极值分布和Pearson-III型分布的参数估计,但尚缺少采用高阶概率权重矩法估计广义Pareto分布函数的研究。本文基于广义Pareto分布,推求了广义Pareto分布高阶概率权重矩的计算方法,提供了采用高阶概率权重矩估计其分布参数的方案。统计试验表明,阶数等于0时的高阶概率权重矩法与概率权重矩法的估参效果近似无偏,二者均比传统的矩法具备更高的参数估计精度。对长江宜昌站(1946—2004)超定量洪水系列的分析表明,高阶概率权重矩法估参结果对应的广义Pareto曲线能够较好地拟合经验频率分布,特别是稀遇频率洪水段。     

基于自适应遗传算法的电网参数检测的研究

电力系统有三个非常重要的参数,即振幅、频率和相位。对其实时高精度的跟踪检测对电力系统运行安全具有非常重要的意义。针对传统测量方式很难同时满足对多个变量的准确跟踪测量,文章提出运用自适应遗传算法进行这三个参数的跟踪检测。区别于传统遗传算法,自适应遗传算法加入交叉和变异概率自适应线性调整,大大提高了搜索速度,收敛精度和稳定性。仿真结果证明该方法行之有效,速度快、精度高,完全能满足对电网电压振幅、频率和相位的检测要求。     

随机森林在降水量长期预报中的应用

随机森林是21世纪提出的基于分类树的算法,在处理大数据集中具有明显优势,首度将其应用在降水长期预报中。以长江中下游地区1月份降水预报为例,运用随机森林模型构建原则,在74项大气环流因子以及前期月降水中筛选模型预报因子,进行长期降水量预报,并将其与神经网络模型预报效果进行对比,发现随机森林的泛化误差为13%,预报准确率达到75%,而神经网络的预报准确率仅为67%。此外,本研究还对长江中下游地区的汛期降水量进行了长期预报,结果表明,随机森林模型进行降水量长期预报中模拟和预报的效果令人满意,值得进一步研究和应用。     

AMALGAM算法在HBV模型参数优化中的应用

针对种群数量众多且参数率定耗时的情况,对比分析了AMALGAM算法与非支配排序遗传算法(NSGA-Ⅱ)的收敛性能,利用尼泊尔巴格玛蒂河流域2005~2011年期间实测洪水日径流过程资料作为HBV模型参数率定系列,运用AMALGAM算法对模型参数进行优化,得出Pareto协调最优解,并利用2012年5场洪水日径流过程进行模型检验。结果表明,AMALGAM算法较NSGA-Ⅱ算法能够更快地得到协调最优解且解的质量较好,拟合历史洪水平均确定性系数达0.84,预报精度较高,表明AMALGAM优化算法在解决多参数多目标优化问题中具有优势。     

基于约束性循环一致生成对抗网络的人脸表情识别方法

深度神经网络在表情分类识别中会由于样本数量不均衡,样本相似度高出现过拟合,导致识别结果不理想,而通过旋转变换、添加噪声等数据增强方法不能解决相似度较高的问题。为此,对循环一致生成对抗网络(Cycle-GAN)进行改进,通过引入类别约束性条件,构建一种基于约束性循环一致生成对抗网络(CCycle-GAN),实现了一对多的数据类别映射,减少了模型训练开销;同时,为了提高人脸表情识别效率,对Cycle-GAN判别器进行改进,用一个辅助表情分类器替换循环一致生成对抗网络的判别器,不仅可以判断输入图像的真假,而且可以对表情进行分类。在CK+和FER2013数据集上的实验结果表明,该方法可以有效地解决神经网络中的过拟合和样本不均问题,提高了表情样本生成质量,进而提高了人脸表情识别率。