基于神经网络的混沌时间序列预测

应用混沌方法对时间序列观测数据进行处理,计算出最大lyapunov指数,得到最大可预报时间尺度。在此基础上,建立人工神经网络预测预报混沌时间序列的模型。结合实例,对该预测方法进行了计算验证。     

长江径流时间序列混沌特性的定量分析

定量分析了长江径流时间序列的混饨特性,论述了长江径流时间序列的李雅普诺夫指数的计算和实际意义,计算了长江径流时间序列的长程相关性指数,即分数阶差分指数,讨论了这一指数与相关分维的相对值可能存在的关系。这些非线性信息的提取,将进一步揭示径流时间序列的变化规律,并将对提高预测水平产生影响。     

0-1测试方法的径流时间序列混沌特性应用

径流时间序列混沌特性识别的常用方法是基于相空间重构的关联维数法、最大Lyapunov指数法和Kolmogorov熵法。引入一种新的时间序列混沌特性识别方法:0-1混沌测试方法。该方法直接应用于时间序列不需要相空间重构,并且通过量化指标K_c是否接近于0或1来识别时间序列的混沌特性。以Logistic映射生成的序列、金沙江流域和美国Umpqua河多年日径流序列为研究对象,首先利用0-1混沌测试方法进行了混沌特性识别和判定;然后基于相空间重构,运用相空间重构、伪最近邻点法、关联维数方法、最大Lyapunov指数法和Kolmogorov熵5种非线性研究方法分析了这两列径流时间序列混沌特性。研究结果表明0-1混沌测试方法简单有效。以上方法交互验证了该两列径流时间序列存在低维混沌特性。     

多隐层BP神经网络模型在径流预测中的应用

基于人工神经网络基本原理和方法,构建多隐层BP神经网络径流预测模型,以新疆伊犁河雅马渡站径流预测为例进行分析,并构建常规单隐层BP以及RBF、GRNN神经网络模型作为对比分析模型,将各模型预测结果与文献[1]中的预测结果进行比较,结果表明:(1)多隐层BP神经网络径流预测模型泛化能力强,预测精度高,算法稳定,模型精度优于IEA-BP网络模型,表明研究建立的多隐层BP神经网络模型用于径流预测是合理可行的,是一种可以应用于水文径流预测预报的新方法.(2)RBF、GRNN神经网络径流预测模型预测精度高于常规单隐层BP网络模型,且RBF与GRNN神经网络模型具有收敛速度快、预测精度高、调整参数少,不易陷入局部极小值等优点,可以更快地预测网络,具有较大的计算优势.     

流域降雨径流时间序列的混沌识别及其预测研究进展

混沌和随机在本质上是两种不同的特征,对这两种特征的描述方法各不相同,确定流域降雨径流时间序列的混沌性和随机性是对其进行模拟和预测的重要基础。近10多年来,许多学者相继开展了流域降雨径流时间序列的混沌识别及其预测研究。着重回顾其中最为重要的相空间重构、混沌识别和混沌预测方法,对将混沌理论应用于降雨径流时间序列的限制条件(序列的数据量大小和数据噪声)也进行了探讨。     

南洞地下河月径流时间序列的混沌特征及预测

利用基于相空间重构技术、混沌识别与预测理论对1993-2013年南洞地下河月径流时间序列的非线性特征进行了分析,由所获得的延迟时间和最佳嵌入维数实现了月径流时间序列的相空间重构,运用饱和关联维数法和小数据量法计算出南洞地下河月径流时间序列的饱和关联维数和最大Lyapunov指数,并运用Volterra模型对南洞地下河月径流时间序列进行了多步预测研究。研究结果表明,南洞地下河月径流时间序列相空间重构的延迟时间和最佳嵌入维数分别为τ=5、m=8,饱和关联维数D和最大Lyapunov指数λ分别为4.63、0.748 9,从定性和定量的角度证明了南洞地下河月径流时间序列具有弱混沌特征。Volterra自适应滤波模型的预测结果能较好地表征南洞地下河月径流的变化趋势和规律,对18个月内的短期预测精度较高,模拟效果较好。      

遗传算法的BP神经网络对滑坡孔隙水压力时间序列恢复及预测研究

由于降雨入渗过程及其对滑坡的作用机理非常复杂,获得完整的小时间尺度的孔隙水压力时间序列对于研究降雨滑坡机理意义重大。但在对滑坡孔隙水压力进行监测时,由于观测方法、传感器质量、环境干扰等原因会造成部分传感器暂时或永久失效,获得的时间序列在时间尺度上差异很大,给实际应用带来了困难。本文将应用基于遗传算法的BP神经网络对孔隙水压力时间序列进行内插和外延预测,不仅预测效果良好,而且能较好地反映降雨过程与孔隙水压力变化之间的内在物理关系。     

混沌时间序列支持向量机模型及其在径流预测中应用

以重构相空间理论为基础,探讨了混沌时间序列的支持向量机预测模型建模的思路、特点及关键参数的选取。利用饱和关联维数法进行相空间重构,并运用改进小数据量法计算最大Lyapunov指数,对宜昌站月径流时间序列进行混沌特性识别。在运用混沌时间序列的支持向量机模型对月径流预测的应用中,引入了径向基核函数,简化了非线性问题的求解过程。实例表明,该模型能较好地处理复杂的水文序列,具有较高的泛化能力和很好的预测精度。     

BP神经网络在贵州喀斯特山区径流预报中的应用

以贵州六冲河、倒天河流域为例建立喀斯特山区径流预报BP神经网络模型。六冲河流域以七星关站丰水期流量过程为输出数据,以丰水期降雨过程、出口断面前期流量过程、蒸发量作为输入数据,倒天河流域以徐家屯站丰水期流量过程为输出因子,丰水期降雨过程、前期流量过程作为输入因子。预报结果确定性系数DC值分别为0.538、0.420。结果表明将蒸发量作为输入数据、流域面积比较大模型预报精度较大。     

地下水水位时间序列中的混沌特征

利用相空间重构技术、G -P算法以及Wolf提出的从单变量中提取Lyapunov指数的方法 ,分别计算了太原盆地 4组地下水水位时间序列的关联维数和Lyapunov指数。结果揭示在自然状态下 ,太原盆地某些孔隙潜水和孔隙承压水水位变化存在明显的混沌特征。这不仅为以后建立水位预测模型提供了理论依据 ,并且也为运用分形理论研究地质参数的时空变异性以及含水层结构的自相似性提供了进一步的支持。     

基于遗传算法的BP网络在黄河三门峡年径流量预测中的应用

提出了一种基于遗传算法(genetic algorithms,GA)的BP神经网络模型来进行径流量预测。此模型融合了遗传优化算法的全局寻优能力和BP神经网络的局部搜索的优势,有效地防止了网络陷入局部极小值,同时又保证了预测结果的精确性。仿真实验结果表明:在黄河三门峡1950~1985年年径流量预测方面,GA-BP模型预测的平均相对误差为5.67%,标准BP算法的模型平均预测误差为11.05%,说明提出的GA-BP径流量方法行之有效。     

基于混沌时间序列的地下水位多步预测模型

利用相空间重构技术，并借助G—P算法、C-C方法和Wolf方法从宁陵地区地下水位一维时间序列中提取Lyapunov指数，结果表明此时间序列具有混沌特征。计算了宁陵地区地下水位时间序列的关联维数、时间延迟和最大Lyapunov指数，将局域加权一阶多步预测模型应用于地下水位预测。预测表明，此模型可有效应用于地下水位时间序列的多步预测。     

基于改进的Elman神经网络的中长期径流预报

径流中长期预报长期以来一直都是人们关注的热点研究问题。现行的径流预报方法很多,传统的有时间序列法,多元回归分析法等,这些方法虽然简单易用,但是如果预报对象提供的样本容量偏小或者因子选择不够合理,都会造成预报精度偏差过大,难于有效的指导工程应用。鉴于此,本文提出一种改进的采用局部回归的Elman神经网络方法。并应用到凤滩水库优化调度的径流预报中。结果表明,与回归分析法、BP网络相比较,该方法不仅提高了算法的效率,而且提高了预报的精度,在径流预报中具有有效性和优越性。     

BP人工神经网络在小流域径流模拟中的应用

径流量的变化与区域经济社会发展、生态平衡以及水资源管理和水环境保护密切相关,月径流量的研究对水量配置、调度等均具有重要意义。针对小尺度流域普遍存在的资料有限问题,研究BP人工神经网络在华南湿润区小流域月径流模拟的适用性。以滨江流域长序列逐日降水径流资料为基础,采用BP人工神经网络进行月径流量模拟,并将其与径流系数法、新安江模型和HSPF模型所得进行对比分析。研究表明:BP人工神经网络使用简便,变化趋势预测准确,在降水径流模拟方面优势明显,全年确定性系数为0.91,高于径流系数法所得0.85,与新安江模型的0.92、HSPF的0.96相当,具有良好的应用前景,其汛期的模拟效果优于非汛期,但模拟结果相对偏大,存在一定的改进和提高空间。     

基于MATLAB工具箱的BP神经网络年径流量预测模型研究——以塔城地区乌拉斯台河为例

塔城地区独特的地形为西来水汽的输送提供了条件,从而形成了众多中小河流,而中低山带季节性积雪的消融又使河流呈现出春汛汛的特点,使得径流年内分配不均,对塔城地区水资源配置极为不利,开展径流量的预测研究,将为水资源的优化配置提供科学的理论基础.文章以塔城地区乌拉斯台河为例,根据其年径流量(1966-1995年)序列的长期变化特征,利用MATLAB的神经网络工具箱提供的许多有关神经网络设计、训练以及仿真的函数,实现BP网络对年径流量的预测研究.从模型的检验来看,所建模型具有较好的适应性和预报精度,并且拟合效果较好,说明这种预测方法有一定的实用性.     

流域产流产沙BP网络预报模型的初步研究

运用BP神经网络模型的基本原理,以流域降水条件为基本因子,建立了流域产流产沙BP网络预报模型.该模型能用于定量分析流域人类活动因素对流域产流产沙的影响.西汉水、大通江、香溪河流域资料验证表明,模型基本合理、可靠.     

基于互信息量与BP神经网络的中长期径流预报方法研究

针对中长期径流预报因子的选择问题,采用互信息量方法筛选预报模型输入因子,在BP神经网络模型中,分别用均方误差和互信息量作为目标函数,衡量因子复合相关关系,优化选择最终预报因子并应用于碧流河汛期径流预报中。结果表明,基于互信息量筛选的预报因子与BP神经网络模型相结合,可有效识别多个预报因子与预报量间的复合相关性,对中长期径流预报因子的选择有很好参考价值。