基于自相关系数法与BP神经网络模型的开都河年径流量预测

提出了利用自相关系数法和BP神经网络模型计算河流径流量的一种方法。作为一个案例,该模型在开都河被成功地建立,并有效地用于由往年径流量资料推求来年径流量。计算结果表明,该方法不但具有一定的精度,而且也为研究径流量的快速计算提供了一条新途径。     

基于Matlab神经网络的流域年径流量预测

阐述了运用人工神经网络模型对流域年径流量径流序列做出预报,表明人工神经网络模型在水文预报中具有一定的优势。通过BP神经网络算法得到了适合该神经网络模型的训练算法。以渔峡口站年径流量实测序列为研究对象,在数值试验的基础上建立了年径流序列预报的人工神经网络预报模型结构,提高了该模型的预报准确性。     

基于RBF神经网络的降雨量预测

文章论述了鉴于降雨量受众多因素的影响和具有复杂的非线性特点,在Matlab环境下建立了RBF神经网络的降雨预测模型.经实例验证,该模型收敛速度快、预测精度高。并且与BP神经网络模型对比结果表明,该方法避免了BP神经网络的局部极小及收敛速度慢等缺点,在精度,训练速度等方面优于BP神经网络。     

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。     

基于RBF神经网络的农业需水量预测

介绍了径向基函数神经网络的原理、训练算法,建立的径向基函数神经网络农业需水量预测模型具有较强的非线性处理能力和逼近能力,运算速度快、性能稳定,克服了BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,预测精度较高,泛化能力强。     

基于RBF神经网络的城市需水量预测——以济南市为例

以济南市需水量为研究对象,运用径向基函数（RBF）神经网络建立预测模型,用1996—2008年13年济南市需水量数据,分析影响需水量的因素,确定多个关键因子,以Matlab为平台实现网络的训练,然后对2009年--2011年3年需水量进行预测检验。结果表明：预测相对误差较小,预测结果和实际情况吻合较好,可以对济南市未来规划年的需水量进行预测。在研究结果基础上,结合本文成果与出现的问题,对需水量预测方法等方面进行了探讨与展望,为以后需水预测研究提供一定的参考依据。     

基于RBF神经网络的长距离引水隧洞涌水量预测

长距离输水隧洞的突涌水问题对隧洞施工安全、施工效率以及隧洞建成后的运营质量会产生严重影响,因而为保证隧洞安全、高效的施工,对隧洞涌水量进行准确预测是十分有必要的.本文以新疆某大型水利工程长距离引水隧洞为研究对象,选取地质构造、渗透率、上覆含水体富水性和水头高度作为评价因子,基于RBF神经网络的基本原理提出了引水隧洞涌水量预测模型,实现对引水隧洞涌水量的精准预测.该预测模型的水量识别准确率较高,可有效防止隧洞内突涌水灾害的发生,为施工单位提前处置隧洞突涌水提供指导.     

基于RBF神经网络的农田土壤含盐量预测

介绍了径向基函数（RBF）神经网络的原理、训练算法,建立的径向基函数神经网络农田土壤含盐量预测模型具有较强的非线性处理能力和逼近能力,使用实际观测数据进行计算,模型运算速度快、性能稳定、预测结果精度较高、泛化能力强。     

基于神经网络的淮河流域年径流量预测模型

利用Matlab神经网络工具箱,以淮河流域中游蚌埠(吴家渡)站的水文数据为基础,以流域代表站降水量作为基本影响因子,建立了淮河水域蚌埠段年径流量的Elman神经网络预测模型.人工神经网络方法被引入水文预报工作中.结果表明,人工神经网络技术可应用于流域年径流量的预报研究,且Elman神经网络的模型其强大的非线性和容错能力,显示出比相关分析、时间序列分析更有效,运算速度快,合理、可靠.具有较好的适应性和预报精度,可为水资源规划和配置提供依据.对开展水资源调查评价、综合规划等水文水资源领域的研究有着重要的意义.     

BP神经网络预测河流月径流量

河流的月径流量是随机变化的，影响因素很多，如人类活动、降雨、下垫面的土壤、植被覆盖情况。利用人工神经网络理论建立BP（Back-Propagation，反向传播方法）网络预测模型，用该模型对河流的月径流量进行预测，BP神经网络模型计算快速，占用内存小，还有很好的容错性，可以得到比较理想的结果，精度高，可靠性好。模型建立之后，将其用于实例，通过对大量样本进行很多次的训练学习，得到训练好的BP网络模型，最后进行预测，得到令人比较满意的结果。     

基于径向基函数神经网络降雨产流预测研究

从径向基函数神经网络原理分析出发,探讨用于降雨产流预测的神经网络模型,并将此模型应用于泜河上.预测和检验结果表明,基于径向基函数神经网络预测模型可以很好地反映流域降雨产流问题.     

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%。     

小波神经网络在径流预测中的应用

将小波分析与传统的BP神经网络模型进行组合,提出了一种新的径流中长期预测方法。该方法对年径流序列进行Mallat小波分解,将分解后得到的不同尺度下的低频成分和高频成分分别进行Mallat算法重构,对重构系列采用BP神经网络模型进行预测。采用黄河三门峡站1470-2002年的年径流资料进行模型的预测和检验,并与传统的BP神经网络模型进行比较,研究结果表明小波神经网络在径流预测中具有较好的预报精度,可以成功地用于径流模拟和预测。     

基于RBF多变量时间序列的滑坡位移预测研究

斜坡是一个受到多种因素影响的混沌动力系统,斜坡位移是其内部力学现象的宏观表现,具有很强的不确定性,从而导致难以建立斜坡位移的确定性方程。滑坡是斜坡的一种成因类型,具有相同的系统特性。滑坡经过防治后,其位移的主要外在动力因素除地下水外同时还受到防治设施的控制。滑坡位移及其影响因素所构成的混沌时间序列能够反映滑坡位移动力系统的历史行为。根据观测获得的多变量时间序列重构原滑坡位移动力系统,采用RBF神经网络实现变量间的映射关系,对滑坡位移进行了预测。预测结果对比分析表明:采用多变量时间序列预测模型能对滑坡位移进行有效预测,取得比单变量时间序列预测模型更好的预测效果;多变量时间序列预测模型具有更明确的物理力学意义,更能反映滑坡演化变形的实质特征。     

基于RBF神经网络的加筋粘土本构模型

用室内三轴试验得到了加筋粘土的应力-应变关系,在此基础上建立了基于RBF神经网络的加筋粘土本构模型,利用此模型对加筋土在不同加筋层数情况下的本构模型进行仿真,并将其与试验值进行对比。结果表明,RBF神经网络能够很好地逼近加筋粘土的本构关系且具有较强的泛化能力,可以反映加筋层数和应力路径的影响。     

基于小波变换的开都河径流量多时间尺度分析

以开都河大山口站1956—2006年的年径流量资料为例,利用Morlet小波变换对其水文序列的多时间尺度演变特性进行了分析,并预测了开都河2006年以后的年径流量变化趋势。结果表明:开都河存在6 a、10 a、15 a和38 a等4个主周期,其中38 a和10 a分别为第一和第二主周期;2006年后的未来几年内开都河将处于偏枯期。     

基于随机森林和RBF神经网络的长期径流预报

基于我国南方某河流1965—1999年每年7月的实测流量资料,首先采用随机森林模型筛选预报因子,之后利用筛选的预报因子作为RBF神经网络的输入层,利用RBF神经网络对2000—2008年每年7月的流量进行了"滚动式"预报,并与实测结果进行了对比。结果表明:随机森林模型能有效地筛选影响因子,利用这些因子采用RBF神经网络进行径流预报的相对误差均在10%以内,拟合效果很好;"滚动式"长期径流预报结果相对误差的绝对值均在20%以内。     

基于BP网络和RBF网络的河道浅滩演变预测模型

利用神经网络BP理论在处理非线性问题上的优势，在分析影响河道浅滩演变因素的基础上，建立了基于MATLAB的河道浅滩演变BP网络模型，实例结果表明，利用BP网络和RBF网络模型对浅滩变化进行预测是可行的，具有很好的应用价值，为河道浅滩演变预测研究提供了新方法。