共查询到20条相似文献,搜索用时 15 毫秒
1.
地下水埋深变化是地下水动态变化的主要特征之一。本文选取了渭北旱塬区两个具有典型性的观测井点,利用已有的2000年-2010年埋深数据以BP神经网络的方法对地下水埋深进行模拟和预测。结果表明:预测值与实测值拟合较好。故该方法可应用于地下水动态的预测。 相似文献
2.
3.
针对需水量预测具有受诸多因素影响的复杂、高维和非线性等特性,本文基于RBF与GRNN神经网络算法原理,构建RBF与GRNN神经网络需水预测模型,将模型应用于城市需水预测中,并与基本BP神经网络模型以及灰色GM(1,1)需水预测模型的拟合、预测结果进行了对比分析.结果表明:①RBF与GRNN神经网络模型有着较高的拟合、预测精度,平均相对误差均在5%以内,表明研究建立的RBF与GRNN神经网络模型应用于需水预测是合理可行的,模型泛化能力强,预测精度高,算法稳定,与基本BP网络算法相比,RBF与GRNN网络模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点,可以更快地预测网络,有着良好的应用前景.②相对而言,RBF与GRNN神经网络模型预测精度要优于基本BP网络和灰色GM(1,1)模型. 相似文献
4.
王呈会 《水科学与工程技术》2016,(3):44-46
应用小波神经网络模型对辽中平原地区地下水进行预测,并结合区域内实测的地下水水位井观测数据,分析了小波神经网络模型在地下水预测的适用性。研究结果表明:小波神经网络模型在辽中平原地区地下水预测具有较好的预测精度,预测和实测地下水水位之间的相对误差均在15%以内,绝对误差在0.08~2.39mm之间。研究成果对于辽中地区地下水预测具有参考价值。 相似文献
5.
针对陕西省泾惠渠灌区地下水不合理开采引起的部分环境地质问题,对泾惠渠灌区2001—2010年的地下水水位进行分析,在此基础上采用灰色模型和BP神经网络模型对灌区地下水水位进行模拟,通过对这两种模型的对比发现:BP神经网络模型预测结果较灰色模型好,可以较高精度对未来年的地下水流进行预测。 相似文献
6.
地下水动态受一系列自然和人为因素的影响,其变化是一个十分复杂的非线性过程;LM(levenberg-marquardt)算法具有逼近最小误差的速度快、精度高等特点,利用其进行地下水位预测研究,结果表明:速度快,误差小,具有推广价值. 相似文献
7.
8.
9.
10.
改进Elman神经网络在径流预测中的应用 总被引:2,自引:0,他引:2
崔东文 《水利水运工程学报》2013,(2):71-77
针对传统静态前馈神经网络动态性能较差的缺点,提出一种基于遗传算法(GA)优化Elman神经网络连接权值的GA-Elman多元变量年径流预测模型.以新疆伊犁河雅马渡站径流预测为例进行实例分析,并构建传统Elman,传统BP和GA-BP多元变量年径流预测模型作为对比模型,预测结果与文献IEA-BP网络模型预测结果进行对比.结果表明:①GA-Elman模型的拟合及预测效果略优于文献IEA-BP模型,该模型用于多元变量年径流预测是合理可行的,具有较好的预测精度和泛化能力.②在相同网络结构及传递函数等条件下,GA-Elman模型的预测精度和泛化能力优于GA-BP模型,传统Elman模型优于传统BP模型,表明具有适应时变特性的Elman反馈动态递归网络预测性能优于BP网络;GA能有效优化Elman神经网络连接权值,使网络的预测精度和泛化能力有了较大提高. 相似文献
11.
12.
利用RBF神经网络,建立了阿拉尔垦区需水量预测模型。选取农业用水灌溉定额、工业用水重复利用率、城镇生活人均日需水量、农村生活人均日需水量作为模型输入,农业、工业、城镇生活、农村生活需水量作为输出。将2001—2007年用水量数据作为训练样本,用2008—2009年用水量数据对模型进行检验。在农业、工业、城镇生活、农村生活4类需水量中,2009年工业需水量预测的相对误差最大,为-16.24%,总需水量的最大误差仅为1.80%,取得了较满意的结果,表明RBF神经网络模型用于该区需水量预测是可行的。 相似文献
13.
14.
15.
16.
17.
18.
BP神经网络算法在年电力负荷预测中的应用 总被引:2,自引:0,他引:2
本文主要研究电力负荷预测方法,依照神经网络系统理论,建立神经网络模型,并通过实例计算,介绍了BP神经网络算法在年电力负荷预测中的应用。 相似文献
19.
20.
为了建立适应于洞庭湖区域地下水资源量变化规律的预测模型,在分析洞庭湖区域河川天然径流量、长江三口入水量、城陵矶出水量与地下水资源量相关性的基础上,分别利用多因子逐步回归模型、BP神经网络模型和多变量时间序列CAR模型建立了3种洞庭湖区域地下水资源量预测模型,并对所建立的3种模型的预测精度和预测结果整体规律进行了对比分析。研究结果表明:地下水资源量与河川天然径流量、长江三口入水量、城陵矶出水量具有较好的相关性;多变量时间序列CAR模型的预测精度较好,BP神经网络模型的预测精度次之,而多因子逐步回归模型的预测精度较差;多变量时间序列CAR模型的预测结果整体规律优于BP神经网络模型,而BP神经网络模型的预测结果整体规律则优于多因子逐步回归模型。 相似文献