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RBF神经网络的河川年径流量预测

文章以新疆开都河年径流量为研究对象,选用能够模拟输入与输出层非线性关系的径向基函数(radial basis function,RBF)神经网络,构建了河流年径流量预测模型。研究结果表明:通过自相关系数法,选用河流自身前1~5 a径流量作为输入层,当前年径流量作为输出层,利用Matlab软件建立RBF神经网络模型,预测开都河2008—2012年径流量,预测值最小相对误差为3.22%,最大相对误差为7.61%,平均相对误差为5.19%,相关系数为0.863;通过对预测样本实测值与模拟值进行经典统计学分析,2组数据间无显著性差异。这说明RBF人工神经网络模型用于模拟预测河川年径流量是可行的。     

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EMD及BPNN的云南省昭通市径流量预测

为提高BP神经网络对径流量的预测精度,将经验模态分解(EMD)方法与BP神经网络相结合,采用云南省昭通市豆沙关水文站1959年1月至2015年12月的逐月径流量,共设置4种方案构建了径流量预测模型。其中,方案一采用前1个月的径流量预测下一个月的径流量;方案二采用前2个月的径流量预测下一个月的径流量;方案三采用前3个月的径流量预测下1个月的径流量;方案四首先利用EMD将原始径流序列分解为高频项、低频项、趋势项,然后采用前1个月的分解数据对这3类项下1个月的分解数据进行预测,最后叠加为预测的下1个月径流量。结果表明:方案四的R~2为0.86,高于其他3个方案,说明将数据先通过EMD分解再分别预测径流量能够提高预测精度。研究成果可为未来构建径流量的预测模型和提高预测精度提供技术支撑。     

塔里木河流域径流量预测分析

因径流量预测中伴随着随机性、灰信息性的特点,传统的数学模型难以解决复杂的非结构化问题。在参与塔河流域多个水文控制站点径流量预测的基础上,探讨了GM(1,1)与BP算法在径流量预测中的有效性及存在的一些问题。首先用灰色关联理论对相关序列的灰色绝对、相对、综合关联度进行了分析;然后建立了GM(1,1)模型,讨论了在原始序列准光滑条件满足、1-AGO准指数规律满足条件下GM(1,1)模型模拟随机振荡序列的局限;最后建立了神经网络模型,应用BP算法训练网络权矩阵和偏置,对径流量的历史演变进行了仿真模拟,对预留年份的径流量作了预测检验。     

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%。     

灰预测和BP神经网络在梧州站年径流预测中的应用

根据1960—2007年降雨、径流资料,运用Pearson相关分析法研究梧州区域降雨、大湟江口站年径流量与梧州站年径流量的相关关系;应用数列灰预测和BP神经网络模拟预测梧州站年径流量。结果表明:梧州站年径流量受梧州区域汛期降雨量、年降雨量和大湟江口站年径流量影响较大;梧州站年径流量BP神经网络模型预测效果比数列灰预测好。     

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.     

基于改进的神经网络与支持向量机的小流域日径流量预测研究

数据驱动水文模型可以在不考虑复杂物理过程的情况下,实现对数据种类较少的小流域日径流量的准确预测。本研究基于安徽省黄山市月潭水文监测站点2009-2012年的日径流量监测数据,分别构建粒子群寻优算法改进的神经网络(PSO-BPNN)以及支持向量机(PSO-SVM)模型。通过进行不同形式的模型结果比较发现,两类模型均有较好的拟合能力及泛化能力,其中基于三日流量数据的(PSO-SVM)模型具有最优模拟结果,可以考虑用于月潭流域日径流量的预测,实现流域内水资源的合理配置以及相关灾害的预防。     

基于改进的BP神经网络径流量还原计算研究

针对水文系统复杂性与非线性的特点,加入动量项因子对BP神经网络进行改进,加快收敛速度,将自然因素、人为因素、自然与人为混合因素分别作为输入因子,构建了大沽夹河天然径流量还原计算方案,用逐项还原法的结果验证对比选出最佳方案。结果表明:①经过改进的BP神经网络收敛速度明显加快,由平均的6 028次迭代优化到1 782次迭代;②以降雨量、蒸发量和实测径流量为输入因子的第三种方案模拟误差最小,适用于大沽夹河流域天然径流量还原计算。     

基于MIV的遗传神经网络径流预报模型

针对中长期水文预报中预报对象与预报因子之间复杂的非线性关系,引入平均影响值对预报因子进行筛选,选出对头道拐站年径流量影响较大的年降水量、年均相对湿度、年均气压3个因子作为神经网络的自变量,利用遗传算法优化的BP神经网络建立了预报模型。预报结果表明:基于平均影响值的遗传神经网络的预报精度及稳定性均达到了满意的效果。     

逐步回归和BP神经网络模型的枯季月径流预测

枯季径流是工农业用水的重要来源,分析和预报流域枯季来水情况,可为科学制定用水方案、合理调配水资源提供依据。运用逐步回归模型和BP神经网络模型分别对盘龙河流域枯季月径流进行拟合和预报分析,并采用相关系数、相对误差、合格率对两个模型预测精度进行比较。结果表明BP神经网络模型预测精度更高,预测结果精度满足规范要求,更适用于盘龙河流域枯期月径流的预测。     

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。     

基于遗传算法的神经网络优化预测模型及其在年径流预报中的应用

根据径流中长期预测的特点，将遗传算法和神经网络相结合，提出一种年径流预测新算法——遗传神经网络优化预测方法．该方法提高了径流中长期预测模型的优化能力，有效地克服了人工神经网络学习速度慢、存在局部极小点的固有缺陷．最后对实例分别用几种不同的模型进行预测，经比较分析，证明所提出的方法能有效地提高预测精度和速度     

年均径流预测的遗传神经网络模型研究

为了进一步提高BP网络模型对径流预测的精度,采用遗传算法优化了BP网络初始的权值和阈值。实例研究结果表明:该方法克服了传统BP网络极易陷入局部极小值点等缺点,提出的遗传神经网络预测模型能够提高预测精度。     

岩溶地区径流预报中BP网络的改进

岩溶地区下垫面复杂,各种岩溶管道、裂隙、溶洞发育使得流域不闭合,地下暗河存在水量交换,而地下水库的调蓄作用,使得流域出口断面总流量与降雨量不成绝对的线性关系。为了克服上述问题带来的岩溶地区降雨径流预报精度低问题,提出了改进的BP网络方法,并通过实例验证了此方法的可行性。以六冲河七星关站断面以上流域的平均日降水量、平均日蒸发量、前期流量作为影响因子,建立了2种预报模型：①传统BP网络模型;②运用SPASS软件筛选BP的影响因子数和调整输入层初始权值,并对逐日径流量资料进行对数处理建立改进的BP网络模型。通过实例分析发现改进的BP网络模型预报效果更好,可以有效地提高大洪峰和小洪峰的预报精度。     

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.     

基于神经网络的降雨径流预报

本文将人工神经网络应用于二滩水电站以上支流鱼河的降雨径流预报，通过建模、计算、比较和分析可知，其非线性映射能力、自学习能力和灵活性，均能较好地反映降雨径流之间的非线性的、复杂的转换关系，结合流域水文特性并合理处理建模数据，值得进一步深入研究。