混合遗传神经网络算法研究及其在径流预报中的应用

 根据流域径流预报的特点,针对神经网络原有固定结构学习方法的缺陷,通过对人工神经网络、遗传算法进行组合利用和加以改进,建立了混合遗传神经网络模型,并对其神经网络的结构和权值阈值同时进行了优化。然后以某灌区径流预报为例,分别利用BP(back propagation)算法、本文方法进行仿真试验,验证方案的可行性和有效性,结果表明本文算法既克服了神经网络结构选取的盲目性,给出了优秀的初始权值,又克服了遗传算法耗时的缺点,最终达到了提高网络收敛性能和收敛速度的目的。     

季节性AR模型在葛洲坝月径流预报中的应用

自回归模型属于线性平稳模型，只能描述平稳序列的统计特性。当水文序列具有季节性变化时，其统计特性则随季节而变，即随时间而变。文章探讨了季节性自回归模型运用中需注意的一些问题．并将其用来做葛洲坝入库月径流预报，取得了较好的效果。     

WPA-BP神经网络模型在枯水期月径流预测中的应用

通过8个高维复杂函数对一种新型仿生群体智能算法——狼群算法(WPA)进行仿真验证,并与粒子群优化(PSO)算法进行对比。针对BP神经网络易陷入局部极值及初始权阈值参数难以确定的不足,利用WPA算法优化BP神经网络初始参数,提出WPA-BP径流预测模型,以云南省龙潭站枯水期月径流预测为例进行实例验证,并与PSO-BP及BP模型进行比较。结果表明:1WPA算法收敛精度远远优于PSO算法,具有较好的计算鲁棒性和全局寻优能力;2WPA-BP模型预测精度优于PSO-BP及BP模型,具有较好的预测精度和泛化能力。利用WPA算法优化BP神经网络的初始权值和阈值,可有效提高BP神经网络的预测精度和泛化能力。     

最近邻抽样回归模型及其在枯水期月径流预报中的应用

为合理调配水资源,做好枯季径流预报,可采用最近邻抽样回归模型进行预测。按照最近邻抽样回归模型的基本思路和实现算法,根据长江上游主要控制站——寸滩站1893年1月—2009年12月历史同期月整编资料,对该流域的枯季径流特性进行分析研究,通过建立模型,对模型预测效果进行验证。结果表明：该模型对枯季径流的预报精度较高,可用于作业预报。     

自回归模型在月径流过程概率预报中的应用

把自回归模型用于月径流过程概率预报中。首先根据历史径流的概率分布利用自回归模型预报出一个概率，再根据这个预报出的概率进行径流概率预报。并把这种方法用于三峡电站的入库径流预报中，取得了较好的效果。     

遗传算法改进神经网络模型在太子河流域径流预报中的应用

本文对用遗传算法(GA)改进的神经网络的算法进行了分析,建立了用GA寻求权重的前馈网络模型(简称模型I)和用GA优化初始权重的前馈网络模型(简称模型Ⅱ)。对太子河流域的5个计算单元前35年年径流量进行了模拟和用后10年资料对模型进行了检验,并与传统的BP神经网络模型进行了比较。结果表明:模型I对历史样本拟合较差,但其预报效果优于模型II和传统的网络模型。模型II和未改进的网络模型效果相似,精度有所提高。     

BP人工神经网络模型及其在年径流预报中的应用

文章选择和田河支流玉龙喀什河作为研究对象,构建BP神经网络模型,对玉龙喀什河年径流及相关气象资料行径流模拟研究,结果表明:BP人工神经网络模型收敛速度快,预报精度高,为该领域研究提供了新的思路。     

小波神经网络组合时序模型在径流预报中应用

构建小波与人工神经网络组合时序模型,该模型利用morlet小波基函数取代人工神经网络的激发函数,通过平移因子和伸缩因子确定小波基函数,采用误差逆向传播算法训练网络和预测.利用此模型对赣江河段上外洲水文站月径流变化趋势进行预测,并将其计算结果与BP神经网络进行比较,结果表明利用小波神经网络进行时间序列预测效果较理想.     

BUCKET模型在降雨径流预报中的应用

BUCKET模型结构简单,原理明确,参数较少,在澳大利亚和新西兰等国家得到了广泛的应用.在介绍模型结构和原理的基础上,为进一步拓宽模型的应用,将其应用于具有遥测资料的伊河流域,对陆浑水库入库旬平均流量过程进行了模拟.结果表明,模型与实测拟合精度较高,能够较好地反映伊河流域以旬为时间尺度的水文过程.将它与新安江三水源模型从原理、结构以及在栾川水文站的应用情况进行了比较,结果表明,率定期和检验期两个模型精度相当.因此,将BUCKET模型应用于陆浑水库入库径流预报中,可以为该水库的预报调度提供可靠的依据.     

BUCKET模型在降雨径流预报中的应用

BUCKET模型结构简单,原理明确,参数较少,在澳大利亚和新西兰等国家得到了广泛的应用。在介绍模型结构和原理的基础上,为进一步拓宽模型的应用,将其应用于具有遥测资料的伊河流域,对陆浑水库入库旬平均流量过程进行了模拟。结果表明,模型与实测拟合精度较高,能够较好地反映伊河流域以旬为时间尺度的水文过程。将它与新安江三水源模型从原理、结构以及在栾川水文站的应用情况进行了比较,结果表明,率定期和检验期两个模型精度相当。因此,将BUCKET模型应用于陆浑水库入库径流预报中,可以为该水库的预报调度提供可靠的依据。     

山西月径流模拟模型及其应用

模型通过对山西省海河流域部分区域的河川径流模拟检验得出如下结论：（１）本模型概念明确，结构合理，可适用于本省区内各为下垫面及产汇流条件，并可向其它地区推广应用。（２）可根据降水量预测成果，预测相应年份的河径流量；（３）在受人类活动影响的流域，可用本模型求得人类活动对河川径流量的影响，并预测未来河川径流的变化趋势；（４）由于本模型的计算时段的一个月，降水强度受到严重均化，从而对模拟成果有所影响，如把     

BP神经网络在柏叶口水库中长期径流预报中的应用

中长期径流预报是水资源进行合理开发利用的前提和基础。文章通过比较3种不同预报方案在BP神经网络模型下对柏叶口水库非汛期月径流预报效果,找出了在非汛期月径流预报中预报效果最好的方案。     

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     

静电放电算法-混合核SVM的月径流预报模型及应用

为提高水文预测预报精度,构建基于多项式核与高斯核混合的支持向量机(SVM),利用静电放电算法(ESDA)优化混合核SVM关键参数和混合权重系数,提出混合核ESDA-SVM枯水期月径流预测模型,并构建高斯核ESDA-SVM、多项式核ESDA-SVM及ESDA-BP作对比预测模型,以云南省某水文站枯水期1—4月月径流预测为例进行实例研究,利用实例前24 a和后10 a资料对各模型进行训练和预测。结果表明,混合核ESDA-SVM模型对实例1—4月月径流预测的平均相对误差绝对值分别为4.09%、3.32%、3.51%和5.64%,预测精度均高于多项式核ESDA-SVM等3种模型。混合核ESDA-SVM模型综合了多项式全局核函数和高斯局部核函数二者优点,在预测精度、泛化能力等方面均优于对比模型,具有较好的实际应用价值。     

Volterra模型在月径流预测中的应用研究

水文过程的月均径流序列存在着较明显的低维混沌特性,利用Volterra模型可以较好的预测低维混沌序列。引入低维混沌动力系统相空间坐标重构的Volterra自适应预测模型,对多年月均径流序列采用二阶Volterra自适应滤波器进行预测。以大渡河石棉站33年的月径流量为例进行验证,预测相对误差<10%的天数为73.3%,相对误差<20%的天数为90.0%,与人工神经网络预测结果对比表明该方法具有较满意的准确率。     

寒冷地区月降雨径流预报模型研究

西沟水电站地处高寒地区，受冰雪和冻土影响，降雨径流关系有其独特的规律和特点。本文在编制月降雨径流预报方案中，考虑冻土的不透水作用和蓄水调节作用，分别确定相应的参数，用不同分层模型计算取得了满意结果，提示了寒区降雨径流规律，如果通过计算机优选拟合，准确度和精度会更高，值得进一步研究与推广。     

漳河流域径流演变规律及月径流预报模型研究

采用20世纪50年代以来的长系列水文资料,通过统计方法对漳河流域径流量进行趋势性及突变性分析,发现漳河流域总体年径流量呈现减少的趋势,1980年前后为该流域的突变年份,20世纪80年代以来流域人类活动影响较大。通过对径流演变的分析,采用三参数月水量平衡模型对流域月径流量进行模拟预测,通过遗传算法进行模型参数率定,并采用神经网络对预测结果进行实时校正。结果表明,该方法对漳河流域月径流预测有比较好的效果,可以应用于该流域的模拟预测研究。     

BP神经网络在水库枯水季入库径流预报中的应用

枯水季入库径流预报是水库合理调度的重要前提.BP神经网络由于具有高维性、自适应、自组织、自学习等优点,被广泛应用于径流预报中.选取河南省安阳市彰武水库作为研究对象进行枯水季入库径流预报,构造了BP网络模型Ⅰ和BP网络模型Ⅱ,将1970—2004年共35 a径流系列样本数据代入BP网络模型Ⅰ进行归一化处理后用于预报水库径...     

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。