RBF神经网络模型在山西省需水预测中的应用

分析了山西省历年城镇生活、农村生活、工业和农业用水量,建立了RBF神经网络需水预测模型,采用最近邻聚类学习算法确定径向基函数的宽度、选取聚类中心和权值。预测结果表明:山西省1998-2000年总需水量预测的相对误差为2.74%、3.33%和1.41%;1999年工业需水预测相对误差最大,也仅为13.35%。RBF神经网络需水预测模型不仅运算速度快,而且预测精度也较高。     

山西大同市RBF神经网络需水预测

结合生活、工业、农业用水量的特点,分析用水量的影响因素,建立径向基函数(RBF)神经网络需水预测模型,采用最近邻聚类学习算法确定RBF网络的宽度、选取聚类中心和权值.以大同市为例,采用RBF神经网络需水预测模型预测大同市在3个年份的需水量,输入层有13个节点.为影响需水预测的13个因子,输出层为城镇生活需水、农村生活需水、工业需水和农业需水4个节点.网络经过学习得到隐含层的节点数为8,3个预测年份的需水总量的相对误差分别为-6.12%、3.05%和5.57%.预测结果表明RBF神经网络具有输出不依赖初始权值,收敛速度快的特点,需水预测模型有较好的预测效果.     

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.     

加权平均集成神经网络模型在城市需水预测中的应用

针对单一神经网络模型预测误差波动大、精度不高等问题,提出基于SVM、BP和Elman神经网络基本模型的加权平均集成需水预测模型。首先,利用相关分析和ADF单位根检验,选取需水预测主要影响因子。为避免模型过度拟合,引入虚拟维,并针对BP、Elman神经网络标准算法收敛速度慢、易陷入局部极值的不足,采用自适应动量算法改进BP和Elman神经网络标准算法,依次构建SVM、BP和Elman需水预测单一模型,并对上海市2002—2011年需水量进行预测;最后,基于加权平均方法对各单一模型预测结果进行综合集成。结果表明:利用加权平均集成模型对上海市2002—2011年需水量进行预测的平均相对误差绝对值为1.8004％,最大相对误差绝对值为3.6995％,精度和泛化能力均大幅优于各单一模型。说明本研究建立的加权平均集成模型用于需水预测是合理可行和有效的,它综合了各单一模型的优点,有效避免了单一模型预测误差过大和不稳定的缺点,具有预测精度高、泛化能力强、误差变化幅度不大等特点。     

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.     

基于BP神经网络的区域需水预测

本文基于BP神经网络L-M的改进算法,建立人工神经网络区域需水预测模型,选取GDP、人口、粮食作为区域需水预测因子,将BP神经网络模型应用到文山州区域需水预测中,并运用MATLAB神经网络工具箱进行模拟计算.     

基于主成分分析的BP神经网络在延安市需水预测中的应用

利用延安市1990～2010年的需水量数据,采用主成分分析法对影响水资源需求量的10个因子进行了分析.结果表明:GDP、降雨量、居民生活用水量及生态环境用水量4个因子为影响需水量的主要因子,将此作为主要因子构造BP神经网络的输入样本,建立延安市需水量预测模型.模拟结果与实际值相吻合,并利用模型对2015年需水量进行了预测.     

基于遗传模拟退火算法的神经网络模型在陕西省需水预测中的应用

神经网络模型是近年来在需水预测方面应用较为广泛的一种方法,在陕西省的需水预测中根据实际情况采用遗传模拟退火算法对其进行优化,预测的结果和其他预测方法进行对比,证明该方法预测的结果较为合理,能够在类似的预测中加以推广应用。     

基于相空间重构原理的遗传神经网络模型在城市需水预测中的应用

针对多元变量需水预测模型中变量之间普遍存在多重共线性问题以及BP神经网络收敛速度慢、易陷入局部极值等缺点,将相空间重构原理及遗传算法(GA)引入BP神经网络需水预测模型中,提出基于相空间重构原理的GA-BP城市需水预测模型,并对上海市需水预测进行实例分析。实例分析结果表明:GA-BP模型对上海市2005—2009年的年用水量预测平均相对误差绝对值和最大相对误差绝对值分别为1.4344%和2.7672%,对2010—2011年的年需水量预测相对误差分别为0.5136%和0.0270%,精度均优于BP神经网络预测模型;基于相空间重构原理的GA-BP需水预测模型具有较好的预测精度和泛化能力,是提高需水预测精度和泛化能力的有效方法。     

基于模糊神经网络的区域需水预测计算模型

将神经网络和模糊理论相结合建立模糊神经网络模型,从模糊神经网络角度并运用灰色系统理论对区域需水量进行预测,通过应用于盐城市在未来2010年需水预测的实例,计算分析结果表明该模型具有良好的可行性和合理性,可以借此深入分析外生变量与区域需水量之间的关系。     

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。     

基于神经网络的城市日用水量预测

分析了影响城镇日用水量的非线性因素,利用人工神经网络,选择影响城市日用水量的主要因素。建立城镇日用水量预测模型,并将该模型的预测效果与传统的日用水量模型预测效果进行比较,结果显示该模型的预测精度更高、所需时间更短、更适用于影响因素较多的城市日用水量的预测。     

改进BP网络模型在年用水量预测中的应用

考虑城市用水量受众多因素影响,具有系统稳定性和非线性的特点,利用人工神经网络理论建立了改进BP网络预测模型,通过实例证明了该模型是一种行之有效的用水量预测模型。     

牡丹江垦区水资源开发利用与保护

探讨水资源开发保护和可持续利用是保障垦区社会经济可持续发展具有基础性、全局性和战略性的重大课题。随着客观形势的变化,水利面临新的情况和挑战。对此提出了一些对策措施,以加强垦区水资源开发利用与保护。     

LM—BP神经网络在于桥水库水质预测中的应用

利用BP神经网络的改进算法（L-M）,通过对大量样本进行多次的训练学习,建立于桥水库水质预痢模型,用该模型对于桥水库高锰酸盐指数、五日生化需氧量、氨氮、溶解氧等污染指标进行了预测,预测结果表明,LM—BP神经网络模型用在于桥水库水质预测时是可行的,可以得到较为理想的的精度和可靠度。     

人工神经网络在水质预测中的应用研究

选取水质指标之一的溶解氧DO作为测算因素,研究了人工神经网络的BP法、bpx法、L-M法3种不同学习算法在水质预测中的应用。研究结果表明:3种不同学习算法的预测效果均较理想,其中以L-M法预测结果最为精确,人工神经网络在水质预测方面有着良好的应用前景和推广价值。     

城市需水量预测方法及应用研究——以哈尔滨需水量预测为例

通过几种常用需水量预测方法的分析研究,根据其各自特点得出在城市规划中通常采用人均综合用水量指标法、分类用水指标法和年增长率法进行需水量预测。并以哈尔滨需水量预测为例说明各种预测方法的应用,为其它城市进行城市需水量预测时提供参考。     

黄河口滨海区生态需水量神经网络模型的建立

针对河口与近海生物对环境条件变化响应的非线性和不连续性，以及生态系统所具有的多源性、开放性、耗散性和远离平衡态的复杂特征，利用人工神经网络最新技术，建立了河口滨海区生态需水量与健康生态特征指标问的非线性耦合关系的神经网络计算模型，借助Mat lah工具箱强大功能和自主开发接口，快速实现输入数据的预处理、网络的训练和仿真。     

神经网络模型在河道水质建模中的应用初探

自然界中各种现象的变化都具有不确定性,水环境系统亦不例外。阐述了河道水质预测的数学方法,建立了水质预测的神经网络模型,并以黄河小浪底至花园口段为例进行数值模拟,计算结果与实测数据比较吻合,说明所建模型是合理的,有实际应用价值,最后展望了不确定性方法在河道水质预测建模中的应用前景。