基于遗传神经网络的城市用水量预测研究

介绍了BP(误差反向传播算法)和GA(遗传算法)及GA-BP 3种神经网络,并以此分别对城市用水量进行预测.实验结果表明,基于GA-BP算法的神经网络方法应用于城市用水量的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小.GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为未来短期城市用水量负荷的准确预测提供了新的思路与方法.     

基于粒子群收缩因子算法的BP网络径流预测模型

BP网络模型在径流预测中应用较广,效果较好.但目前对BP网络的初始权重及偏值、学习率、动量因子和训练次数多采用"试错法"来确定,具有较大的不确定性,影响到模型的收敛速度和精度.为此,提出一种利用粒子群收缩因子算法(CFPSO)对BP模型上述参数进行优化的方法,并利用径流预测实例进行检验,计算结果表明该优化方法能够提高BP模型的收敛速度和精度.     

粒子群收缩因子算法在BP网络年径流预测模型中的应用研究

径流预测是梯级电站优化调度的基础。目前已广泛应用的BP网络径流预测模型的参数确定多采用"试错法",具有较大的不确定性,影响到模型的收敛速度和精度。本文利用粒子群收缩因子算法(CFPSO)对BP模型的初始权重及偏值、学习率、动量因子和训练次数等参数进行优化,并利用电站年径流预测实例进行检验,计算结果表明该优化方法能够提高BP模型的收敛速度和精度。     

基于遗传BP算法的日径流预测

用遗传算法和BP算法相结合的混合算法来训练日径流神经网络预测模型的权值，即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，这一算法克服了BP算法收敛速度慢、易陷入局部极小等缺陷，实例证明提高了预测精度。     

地下水文预测中BP网络的模型结构及算法探讨

本文探讨了人工神经网络中不同BP网络结构和算法在区域地下水文预测中的应用，实例比较了不同层次结构、学习速率、隐层单元数及不同算法等对收敛效果、模拟预报结果的影响。提出了一些BP模型的设计应用技术，即学习速率的取值范围与BP网络层数有一定关系，层数多，稳定区间较小，一般学习速率取值为0.01～0.1。快速BP算法从训练速度，收敛精度等方面均优于普通BP算法，可作为改进BP算法之一。在此基础上根据黄河河套灌区多年的水文、气象和地下水信息，对灌区多年的年地下水埋深变化进行了模拟，预测了河套灌区节水工程实施后未来灌区地下水位下降的趋势，为大型灌区节水工程改造与BP模型在区域地下水文中的应用提供了参考。     

水电机组效率的神经网络算法

水电站优化运行要求具有连续水位和导叶开度下的效率特性曲线。本文提出用BP神经网络方法计算机组效率，并建立了BP神经网络模型，以现场效率试验数据作为样本进行训练，并用训练好的网络计算该机组的效率。网络的训练速度及计算结果表明，该算法收敛速度较快，精度高，为计算水电站任意水头及导叶开度下的机组效率提供了新思路和新方法，可用于指导水电机组的优化运行。     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

基于遗传神经网络的河流冰凌预报

在分析影响凌汛成因因素的基础上,选取合适的预报因子,建立了基于遗传算法(GA)和Levenberg-Marquardt BP网络(LMBP)相结合的冰凌预报神经网络模型.GA-LMBP算法先通过遗传学习算法进行全局训练,再用LMBP算法进行精确训练,克服了传统BP算法收敛速度慢、易陷入局部极小等缺陷.把该模型应用到松花江依兰、佳木斯段开河预报中,取得了良好的效果.     

神经网络式距离保护的混合训练算法

针对BP算法存在的缺陷，如训练速度慢，易收敛于局部极小点及全局搜索能力弱等，利用遗传算法能够进行全局最优化搜索这一特点，在改进的自适应遗传算法的基础上，提出了一种新的用于BP网络训练的混合算法，即改进的自适应遗传算法与BP算法相结合的混合训练方法。将所提出的混合训练方法应用于神经网络式距离保护中，利用ATP仿真计算的结果进行训练及检验,结果表明：所提出的算法与单一的BP算法相比，不仅可避免陷入局部极小点，而且提高了网络的训练速度，同时满足对距离保护的速度和精度的要求。     

RBF神经网络在大坝应变预报中的应用

BP网络存在算法收敛速度慢和易陷入局部极小问题。构建某坝应变数据的RBF神经网络,并进行了预测,通过对比表明,径向基函数网络(RBF)的逼近能力和学习速度等均优于BP网络,RBF网络法的拟合误差和预测误差均比BP模型小很多。     

基于遗传优化神经网络的多源遥感数据反演土壤水分

为快速反演较高精度土壤水分,提出用遗传算法优化后的神经网络辅以多源遥感数据的方法进行地表土壤水分反演。首先建立4层神经网络并用遗传算法优化此网络,之后以雷达数据不同极化(VV、VH、VH/VV)的后向散射系数、雷达入射角、光学数据的归一化植被指数(NDVI)、以及高程数据作为网络的输入,土壤水分数据为输出,对网络进行训练与仿真,再运用地表实际测量数据与反演数据做对比验证。结果表明:反演结果与实际测量数据相关性良好,R2可达0. 79。采用遗传算法对神经网络优化的土壤水分反演方法可行,且添加光学数据等辅助数据后土壤水分反演效果更优,为多源遥感土壤水分的协同反演研究提供新思路。     

融合粒子群算法的混凝土裂缝预测模型研究

运用模糊优选人工神经网络对混凝土重力坝裂缝进行智能预测,在对模糊优选神经网络训练中采用融合粒子群算法,利用其全局寻优的能力和局部细致搜索优势,在解空间进行智能搜索,最终发现最优解。实例检验结果表明,采用这种方法可以提高模糊优选人工神经网络的训练效率,预测结果更合理。     

水轮机尾水管压力脉动的神经网络模型

为掌握万家寨水电站水轮机尾水管的水压力脉动特性,对水轮机尾水管水压力脉动进行了现场测试,获得了多个工况下的测试数据.在测试数据的基础上,应用人工神经网络中的三层前向网络模型,采用反向传播算法,建立了水轮机尾水管压力脉动特性的人工神经网络模型.与实际的测试数据进行对比分析表明,所建立的人工神经网络模型,能够准确反映水轮机的尾水管压力脉动特性,可以用于指导水电站中机组的稳定运行.     

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。     

基于LSTM神经网络的水电站短期水位预测方法

针对常规水位预测方法信息挖掘能力不足和启发式算法机理不明确等缺点,提出了一种基于长短时记忆(long short-term memory, LSTM)网络的水位预测方法。该方法采用水位和出力等直接监测数据,避免了出入库流量等间接计算值带来的二次误差,进而提升水位预测的准确率;采用梯度下降法与Broyden-Fletcher-Goldfarb-Shanno (BFGS)算法相结合训练模型,Wolfe-Powell线搜索方法选取步长,提高模型收敛速率。将该方法用于葛洲坝水电站的上下游水位预测,结果表明,该方法能够实现下游水位连续6 h和上游水位连续3 h的准确预测,具有较高的预测精度和实用性,为葛洲坝水库的实时调度提供了技术支撑。     

梯级-关联算法在多泥沙河流含沙量预报中的应用

本文借助历史加成法处理样本数据，并分别利用梯级-关联算法(CC)和误差反馈传播算法(BP)建立模型对黄河下游夹河滩水文站汛期含沙量进行预报。传统BP网络需要预先设定网络结构，预报过程虽利用了神经网络的内插特性，但其样本的处理方式和网络构建方式使得运算效率较低；CC算法仅要求初始网络含有输入层和输出层，通过运算不断向网络增加隐含节点，从而最大限度的减少了在网络构建过程中的主观因素。本文比较了当预报的峰值超出训练样本取值范围时两种算法的表现，结果显示：当预报的峰值为训练样本峰值的2.45倍时，二者均能实现较为准确的预报，BP网络在预报精度上要略高于CC网络，但CC网络在运算速度上要明显快于BP网络。     

最小二乘支持向量机参数反演方法及其应用

针对最小二乘支持向量机(LS-SVM)参数不易确定的问题,利用遗传神经网络模拟LS-SVM计算结果与参数之间的关系,提出了一种基于遗传神经网络(GA-BP)的参数选择方法,该方法利用正交分解法构建训练参数组,并将参数组代入最小二乘支持向量机以获得计算输出值,然后将计算输出值与训练参数组代入遗传神经网络进行训练并获得合适的LS-SVM参数。最后以土石坝渗流分析为例进行验证,结果表明该方法对优化选择最小二乘支持向量机参数十分有效,预测精度可达10-4。     

混合智能算法在引水冲污方案优选中的应用

考虑水质、经济和生态环境影响等因素,建立佛山水道的引水规划优化模型。利用河网水环境数学模型模拟多组引水冲污方案的水质,将输入输出数据作为样本用于人工训练神经网络;将训练好的网络嵌入遗传算法,形成混合智能算法,求解引水规划优化模型。结果表明,混合智能算法能够自动求出不同引水流量下的最优方案,精度较高,无需人工试算,运算速度快,不必对遗传算法与河网模型进行接口处理,具有普遍适用性,为求解耦合复杂模拟模型的优化问题提供了一种理想的工具。     

Artificial Neural Network Modeling for Groundwater Level Forecasting in a River Island of Eastern India

Forecasting of groundwater levels is very useful for planning integrated management of groundwater and surface water resources in a basin. In the present study, artificial neural network models have been developed for groundwater level forecasting in a river island of tropical humid region, eastern India. ANN modeling was carried out to predict groundwater levels 1 week ahead at 18 sites over the study area. The inputs to the ANN models consisted of weekly rainfall, pan evaporation, river stage, water level in the drain, pumping rate and groundwater level in the previous week, which led to 40 input nodes and 18 output nodes. Three different ANN training algorithms, viz., gradient descent with momentum and adaptive learning rate backpropagation (GDX) algorithm, Levenberg–Marquardt (LM) algorithm and Bayesian regularization (BR) algorithm were employed and their performance was evaluated. As the neural network became very large with 40 input nodes and 18 output nodes, the LM and BR algorithms took too much time to complete a single iteration. Consequently, the study area was divided into three clusters and the performance evaluation of the three ANN training algorithms was done separately for all the clusters. The performance of all the three ANN training algorithms in predicting groundwater levels over the study area was found to be almost equally good. However, the performance of the BR algorithm was found slightly superior to that of the GDX and LM algorithms. The ANN model trained with BR algorithm was further used for predicting groundwater levels 2, 3 and 4 weeks ahead in the tubewells of one cluster using the same inputs. It was found that though the accuracy of predicted groundwater levels generally decreases with an increase in the lead time, the predicted groundwater levels are reasonable for the larger lead times as well.