BP神经网络在渭北旱塬区地下水埋深预测中的应用

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。     

BP神经网络在地下水水质评价中的应用

地下水污染是当前较为严峻的现实问题,地下水水质评价是开发和保护地下水资源的前提,将BP神经网络应用到地下水水质评价中,解决了以往评价方法人为性较大和隶属函数构建不合理等问题。应用实例表明,BP神经网络法训练速度快、精度高,能如实地评价地下水质情况。     

RBF与GRNN神经网络模型在城市需水预测中的应用

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.     

小波神经网络模型在地下水预测中的应用

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。     

灰色模型及BP神经网络模型在灌区地下水动态中的对比应用

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。     

LM算法在地下水动态预测中的应用研究

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.     

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。     

BP神经网络在岩爆预测中的应用

综合考虑围岩产生岩爆的内外在因素,采用地应力大小、岩石抗压和抗拉强度、岩石弹性能量指数等参数作为指标,建立了BP人工神经网络岩爆预测模型.将国内外具有代表性的工程实例作为样本,以提高网络的泛化能力;采用Levenberg-Marquardt算法来训练BP神经网络,以提高效率.实例表明,采用本文所给出的BP神经网络模型预测结果与实际情况相符,说明了此模型的有效性.     

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。     

改进Elman神经网络在径流预测中的应用

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.     

RBF神经网络在阿拉尔垦区需水预测中的应用

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。     

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。     

优化BP神经网络在地下水计算中的应用

采用动态惯性因子对粒子群算法进行改进,并将其应用到BP神经网络的优化中,依据滦河某观测站数据建立地下水动态预测网络模型.预测结果表明:在训练样本、预报因子和建模参数都相同的情况下,BP神经网络的收敛速度明显较慢;粒子群算法代替梯度下降法优化BP神经网络,有效地提高了计算精度、加快了收敛速度、改善了神经网络的稳定性;混合动态惯性因子的粒子群算法,收敛速度快速提高,计算误差大幅减小,精度及稳定性均较高.     

GRNN神经网络在坝基渗流预测中的应用

人工神经网络在大坝监测资料分析及预测中应用效果良好,而广义回归神经网络具有柔性网络结构、很强的非线性映射能力及高度的容错性,非常适合解决非线性问题。实例分析结果表明:与BP神经网络相比,广义回归神经网络在预测能力及学习速度上具有明显优势,且样本较少时其预测效果也较好。     

基于BP神经网络的区域地下水位动态预测

地下水系统是一个高度复杂系统,地下水位与其影响因素之间存在非线性映射关系,人工神经网络则是处理非线性问题的有效方法。把影响区域地下水位动态的5个主要因素作为网络输入向量,地下水位本身作为网络输出向量,采用快速BP算法构造地下水位动态预测的BP神经网络模型,最后将该模型应用于河套灌区义长灌域地下水位动态预测。结果表明,BP神经网络用于区域地下水位动态预测时有较高的精度。     

BP神经网络方法在灌区需水预测中的应用

以江西省廖坊水利枢纽工程灌区为例,通过查阅年鉴、现场调查和专家咨询确定影响需水量的主要因子,根据确定的主要影响因子构造BP神经网络的输入样本,采用Matlab软件平台编程,建立灌区需水模型.利用建立的模型预测2025年灌区的需水量,并与其他方法的预测成果进行比较.结果表明,BP神经网络方法在廖坊水利枢纽工程灌区需水量预测的应用上是成功的.     

BP神经网络算法在年电力负荷预测中的应用

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。     

遗传小波神经网络在大坝变形预测中的应用

针对传统的数学统计模型无法完全描述大坝变形量与多种荷载因素之间非线性映射关系的缺点,引入了一种基于遗传算法的小波神经网络模型,利用该模型对小波神经网络的初始权值、尺度因子进行全局优化搜索,克服了BP神经网络初始化的随机性以及网络易陷入局部极小值的不足,将该模型运用于大坝坝顶的径向、切向位移预测,结果表明,遗传算法优化的小波神经网络模型结构稳定性更好,预测精度较BP神经网络模型、小波神经网络模型有较大提高。     

三种模型在洞庭湖区域地下水资源量预测中的应用

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。