基于小波消噪偏最小二乘回归模型的径流预测

小波消噪方法,可消除原始数据序列存在的噪声;偏最小二乘回归分析方法,可减弱自变量间多重相关性在系统建模中的不利影响。为此,引入基于小波消噪的偏最小二乘回归分析方法进行建模分析,对奴各沙水文站1960-2000年的径流序列进行拟合和预测。结果表明,该模型在径流的拟合和预测中表现较好,具有较高的精度和较好的稳定性,可作为径流预测的有效方法。     

基于偏最小二乘回归法的大坝渗漏分析与预测

渗漏是水库大坝主要病害形式之一,进行大坝渗漏分析预测对了解大坝渗流性态和提高工程管理具有重大意义。由于坝体内部渗漏表现出的灰色甚至黑色特征增加了渗流性态的分析难度,基于常规的最小二乘法无法解决渗漏变量间多重共线、样本较少等问题。针对此类分析的难点,本文通过偏最小二乘回归法,依据监测数据建立了渗流统计回归模型,探讨了主要影响因素与渗漏量的关联程度。采用该模型对吉林台面板堆石坝工程运行条件下渗漏量进行了预测,分析结果表明了该方法的可行性。     

偏最小二乘回归模型在城市需水预测中的应用

科学地预测城市需水量对城市的发展具有十分重要的意义.城市需水量受到多重因素的影响,各因素之间的相关性较大,从而导致一些预测计算结果失真,使一些公式的适用性不是很强.为此,采用偏最小二乘回归建模,借助主成分分析与典型相关分析的思路,采用成分提取的方法,有效地解决了各因子之间的相关问题,建立了城市生活用水量预报模型,并对模型进行了辅助分析,模型的拟合和预报精度均较好.     

论偏最小二乘法在水利工程建设和监测中的运用

最小二乘法是一种常用的统计方法,可以运用于水利工程建设中。但是这种方法也存在着一定的不足,主要表现为,当样本点少时,通常统计的结果存在着一定的偏差。并且,在现实的水利工程中,往往会面临着样本点过少的问题。针对这些问题,采用偏最小二乘法就可以解决。文章采取偏最小二乘法建模以解决水利工程建设和监测中的问题,将定量分析与定性分析相结合,通过多种分析方法来确保模型的精度。     

偏最小二乘回归模型在城币需水预测中的应用

科学地预测城市需水量对城市的发展具有十分重要的意义。城市需水量受到多重因素的影响．各因素之间的相关性较大，从而导致一些预测计算结果失真，使一些公式的适用性不是很强。为此，采用偏最小二乘回归建模，借助主成分分析与典型相关分析的思路，采用成分提取的方法，有效地解决了各因子之间的相关问题。建立了城市生活用水量预报模型，并对模型进行了辅助分析，模型的拟合和预报精度均较好。     

偏最小二乘法与神经网络耦合的大坝监测模型

针对人工神经网络在大坝变形监测模型应用中所出现的收敛慢和稳定性差等问题,提出了偏最小二乘法与人工神经网络耦合的大坝变形监测模型,提高了神经网络的学习速率和稳定性.首先运用偏最小二乘法对多维自变量进行主成分提取和降维处理,解决了变量之间的多重相关问题,而后把降维的数据输入神经网络进行训练.对比实例应用结果表明,偏最小二乘神经网络耦合模型的拟合速度和精度都高于传统的神经网络.     

基于偏最小二乘法的遗传模拟退火算法及其在大坝安全监控中的应用

介绍了基于偏最小二乘法的遗传模拟退火算法的编程方法和利用其建立大坝安全监控模型的方法。实例分析表明,遗传模拟退火算法筛选影响因子后由偏最小二乘法建立的安全监控模型与直接由偏最小二乘法建立的模型相比,不仅简化了模型、提高了模型的拟合精度,而且增强了所建模型的预测能力。     

基于改进最小二乘法的水轮发电机气隙数据分析

针对传统的楔形板气隙测量方法,提出采用电容式传感器进行测量,并利用最小二乘拟合法对气隙变化情况进行分析。结果表明：最小二乘拟合法所得到的不圆度、偏心距和最大位移磁极号均好于传统的简单圆法,为发电机气隙在线测量及故障诊断提供较准确的气隙变化数据支撑。     

基于偏最小二乘回归法的水库渗漏分析与预测

渗漏是水库大坝主要病害形式之一,对大坝渗漏进行分析预测对了解大坝渗流性态和提高工程管理意义重大。由于坝体内部渗漏表现出的灰色甚至黑色特征增加了渗流性态的分析难度,基于常规的最小二乘法无法解决渗漏变量间多重共线、样本较少等问题。针对此类分析的难点,本文通过偏最小二乘回归法,依据监测数据建立了渗流统计回归模型,探讨了主要影响因素与渗漏量的关联程度。采用该模型对吉林台混凝土堆石坝运行条件下渗漏量进行了预测,分析结果表明了该方法的可行性。     

递阶偏最小二乘回归模型及其应用

偏最小二乘回归模型中包含所有原始选择的变量,当自变量较多时,因得到的模型结果十分庞杂而难以分析和解释。本文采用递阶偏最小二乘（Hierarchical PLS,Hi-PLS）回归方法,通过分层建立模型的方法有效解决了这一问题。工程实践表明,本模型精度较高,特别适用于大规模变量集合的回归分析。     

灰色关联—集对聚类预测模型在吉林省用水量预测中的应用

对地区未来用水量进行预测对于实现水资源的合理规划与调度有着重要意义。为了对吉林省未用水量进行合理预测,建立了吉林省短期用水量预测的灰关联-集对聚类预测模型,并用吉林省实际用水量数据对模型进行了交叉精度检验。结果发现:该模型对吉林省2015用水量预测结果与实际数据的相对误差为2.00%,预测精度好于灰色预测模型和BP神经网络模型。20年数据检验平均误差为2.675%,预测效果较好,可用于区域未来用水量预测。根据此模型以及吉林省发展规划,2020年吉林省用水量将达到138.74×10~8m~3。     

基于偏最小二乘回归与神经网络耦合的岩溶泉预报模型

本文将偏最小二乘回归与神经网络耦合，建立了泉流量预报模型。利用偏最小二乘法对影响岩溶泉流量的诸多因素进行分析，提取对因变量影响强的成分，从而克服了变量之间的多重相关性问题，降低了神经网络的输入维数。同时，利用神经网络建模可以较好地解决非线性问题。实例表明，本耦合模型的拟合和预报精度均优于独立使用偏最小二乘回归或神经网络建模的精度。     

基于PSO-GRNN方法的城市用水量短期预测

鉴于城市用水量短期预测中传统的神经网络训练易陷入局部极小点、收敛速度较慢等问题,采用具有全局随机优化思想的PSO算法对GRNN神经网络径向基函数的扩展速度进行优化,提出了城市用水量的PSO-GRNN神经网络预测方法。根据某市日用水量的实测数据进行建模和预测,通过与最小二乘模型、核估计模型、局部线性估计模型的模拟效果进行对比表明：PSO-GRNN网络具有较强的自适应能力和泛化能力,能够有效地提高用水量的预测精度。     

基于LS-SVM城市水资源承载能力预测方法

水资源承载力是水资源安全战略研究中的一个基础课题,是水资源安全的基本度量[1].准确预测水资源承载力,对国民经济发展规划、生态环境保护和水资源持续利用具有重要意义.该文提出了一种基于最小二乘支持向量机城市水资源承载能力预测模型.通过对具体的城市水资源承载能力预测实验,并与其他几种常见模型预测结果比较,表明该模型具有预测精度高、速度快、容易实现等优点,为我国城市水资源承载能力预测提供了一种有效的方法.     

青海省大峡渠灌区典型地块农业灌溉耗水监测试验与模拟研究

为开展青海省大峡渠灌区典型地块农业灌溉耗水监测试验与模拟研究,加强区域水资源管理,提高水资源利用效率,在典型地块引退水量和地下水监测的基础上,分别采用引排差和VSMB模型模拟两种方法对该灌区典型地块耗水系数进行了计算。结果表明,两种方法计算得到的该灌区典型地块2013年耗水系数分别为0.572和0.632,两者较为接近,这说明在研究区范围内,VSMB模型模拟的方法可以对引排差法计算耗水系数进行较好的验证。     

改进TOPSIS法在甘肃省农村饮水安全评价中的应用

饮水安全是人类健康的基本保障。针对甘肃省农村饮水安全问题,运用层次分析法、熵权法、改进TOPSIS法以及障碍度模型,评价了甘肃省2005、2015以及2020年的农村饮水安全状况,比较了改进TOPSIS法与模糊综合评价模型评价结果的差异,以期建立适用于甘肃省的综合评价指标体系,为农村饮水安全工程建设提供科学参考。结果表明：2005-2020年,甘肃省农村饮水安全水平逐步提升,2020年各地市(州)农村饮水安全水平均已达到基本安全水平以上;甘肃省农村饮水安全工程建设的主要障碍因子为集中供水率和自来水普及率;与模糊综合评价模型相比,改进TOPSIS法的客观性更强,计算过程中的信息损失量小,可以在农村饮水安全评价研究中进一步应用。甘肃省农村饮水安全工程建设已取得较大成效,未来需围绕薄弱环节巩固提高。     

贝叶斯神经网络在城市短期用水预测中的应用

严格水资源管理制度实施的背景下,短期用水量预测对城市供水系统调度的作用日益显著。在分析日用水量时序演化规律及随机性影响因素的基础上,以前7天每日用水量、日最高温度、当月用水量占全年比、日降水量、节假情况作为短期用水量预测指标,构建了BP神经网络城市短期用水量预测模型,并利用贝叶斯正则化对BP神经网络进行优化。将两种模型应用于广州市某自来水公司进行对比验证,结果表明,贝叶斯神经网络预测模型与BP神经网络预测模型的平均绝对百分比误差分别达0.87%与1.85%,经贝叶斯正则化的BP神经网络模型泛化能力更强,精度提高了约0.98%,更符合城市短期用水量预测的高精度要求。     

基于卡尔曼滤波模型的时用水量预测

针对时用水量存在周期性特点,引入季节因子,鉴于时用水量是非线性非平稳系统,而采用卡尔曼滤波季节模型对时用水量进行模拟.以杭州市实测用水量为例,分别采用卡尔曼滤波模型和卡尔曼滤波季节模型进行时用水量预测,结果表明,季节模型预测精度相对较高,且预测误差相对稳定,较卡尔曼滤波常规模型更具有实用性.     

耦合小波变换和偏最小二乘的悬浮物浓度和浊度高光谱建模方法

针对高光谱曲线中可能存在噪声以及传统半经验方法不能有效利用全部光谱信息的问题,提出了耦合Haar小波变换和偏最小二乘的水质遥感高光谱建模方法(Haar WT-PLS)。利用该方法,对在南四湖获取的实测高光谱数据经分解尺度为3的Haar小波变换后,将原始光谱数据压缩到47个特征变量;随后利用小波变换重构的光谱数据建立了悬浮物浓度和浊度的Haar WT-PLS反演模型,并进行了验证。结果表明:Haar WT-PLS反演悬浮物浓度和浊度精度较高,验证样本的均方根误差分别为25.05 mg/L和20.10NTU,平均相对误差分别为20.36%和13.88%。通过和单波段模型、一阶微分模型和波段比值模型进行精度对比分析,本文建立的Haar WT-PLS模型反演悬浮物浓度和浊度具有较高的精度和更好的稳定性。