基于改进支持向量机回归的日径流预测模型

日径流预测是水资源优化调度的重要组成部分,日径流预测精度的高低直接影响水资源优化配置的程度。针对日径流序列的特性,研究提出一种改进的支持向量机回归模型,并应用于日径流预测。与基本支持向量机和BP神经网络对比分析的实验结果表明,基于改进支持向量机回归预测模型的日径流预测精度明显高于BP网络,尤其是对于变化剧烈的径流序列表现出较基本支持向量机回归模型更优越的预测性能,为日径流预测分析提供了一种可靠、有效的途径和方法。     

基于支持向量机的中长期入库径流预报

采用基于支持向量机的预测模型对水库中长期入库径流进行预报,建立径流预报的SVM模型。预报因子的优劣决定着预测精度的高低。为了提高预报精度,尝试采用模糊优选法对预报因子进行优选。将所建模型应用于新疆雅马渡站的径流预测中,并与没有进行预报因子优选的SVM模型进行比较。结果表明,进行预报因子优化后的SVM模型明显提高了径流的预报精度,具有更好的应用价值。     

基于果蝇优化算法的支持向量机径流预测

为了提高径流预测的精度和可靠性,将支持向量机应用到单因子月径流预测建模中。针对支持向量机模型参数的选择费时费力且效果差的问题,利用全局寻优的果蝇算法优化选择支持向量机的惩罚参数和核参数,提出了基于果蝇算法优化支持向量机参数的FOA-SVM预测模型,并利用新疆某站的月径流历史数据进行了仿真测试。结果表明:与GA-SVM模型和PSO-SVM模型相比,FOA-SVM模型能够提高径流预测的效率与精度。     

基于混沌小波与支持向量机的径流预测

以淮河流域沙颍河水系沙河和澧河上游的水库为例,建立了月均流量的混沌小波支持向量机组合预报模型,充分利用了混沌分析的相空间重构、小波分析的多分辨率功能以及支持向量机的非线性逼近能力,并采用NSE、PBIAS和RSR对组合预测模型进行了评价。结果表明:混沌小波支持向量机组合预测模型的识别期和验证期模拟精度均较高,均优于混沌支持向量机模型。     

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PCA和支持向量机的径流预测应用研究

影响径流量的因素很多,并且这些因素与径流量之间存在着复杂的非线性关系。将主成分分析和支持向量机相结合,首先进行特征提取,降低数据维数,获取数据的主要信息;然后利用支持向量机建立径流预测模型,取得了非常好的效果。并与支持向量机回归模型进行了比较,结果表明该方法具有更好的预测精度,值得推广。     

基于支持向量机的混凝土强度预测

支持向量机是建立在统计学理论之上的机器学习技术。提出了混凝土28 d抗压强度预测的一种新方法,即支持向量机回归方法。该方法根据有限的学习样本,建立了各种影响因素和混凝土抗压强度之间的一种非线性映射,可以对混凝土强度进行预测。以实际样本数据进行训练,并对测试样本进行了预测。预测结果表明,支持向量机方法有着良好的泛化能力,优于人工神经网络建模方法。     

基于粒子群最小二乘支持向量机的径流预测

为了处理好径流模拟预测中的确定性和随机性影响因素,提出了粒子群算法PSO(Particle Swarm Opti-mization)优化最小二乘支持向量机LS-SVM(Least Square SVM)参数的径流预测模型。PSO算法能够基于群体智能进行随机优化,计算简单易于实现且具有更强的全局优化能力。利用参数优化前后的LS-SVM模型,对新疆伊犁河雅子渡站23 a实测径流进行模拟,并对径流进行预测,结果表明,该模型收敛速度和预测精度令人满意。     

支持向量机在乌龙矶站径流预测中的应用研究

潘家口水库是海河流域的重要水源地之一,科学预测其来水量可以为流域的水量调度、水资源保护、水资源规划与管理等提供工作依据.利用潘家口水库上游主要控制站——乌龙矶水文站的实测资料,将成熟的预测方法和新技术应用到基于支持向量机的径流预测模型,以期为潘家口水库优化调度和合理使用提供可靠的水文信息,提高其经济效益和社会效益.     

基于最小二乘支持向量机的马营河中长期径流预测研究

采用最小二乘支持向量机的方法,利用李桥水库1977-2004年的径流资料,对其2005-2011年的径流量进行预测。分析结果表明2005-2011年的预测径流量距平百分率在±10%之间,符合预测精度要求。     

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。     

基于主成分回归分析的城市需水量预测

科学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强。为此,采用主成分回归建模,借助主成分分析与典型相关分析的思路,有效地解决了各因子之间的相关问题．建立了城市需水量预报模型。结果表明,模型的拟合和预报精度均较好。     

基于SVM方法的小流域泥石流输沙量预测

介绍SVM方法的基本原理及特性,建立基于SVM方法的小流域泥石流输沙量预测模型,用复相关分析法确定了影响流域输沙的3个主要因子:过程降雨量,前期降雨量,泥石流历时。对12组实测资料进行训练,训练值与实测值吻合较好;用训练好的模型对5组实测资料进行预测,预测效果优于神经网络模型。理论分析和实例验证均表明SVM方法可以获得整体最优效果。     

基于PSO-WRF的渭河中下游年径流预测模型

针对传统随机森林( RF) 模型决策树因投票权重相同而导致预测精度不高的问题,采用加权随机森林( WRF) 模型全面考虑各决策树分类能力的差异性,建立决策树加权投票机制; 同时运用粒子群算法( PSO) 进行参数全局寻优,避免依据经验选取参数的不科学性,通过二者耦合最终构建PSO-WRF 模型。利用渭河中下游咸阳站与华县站 1960—2009 年的径流系列对 RF、WRF、PSO-WRF三种模型进行训练及测试,结果表明,PSO-WRF 在咸阳站与华县站的平均相对误差绝对值( MRE) 分别为 7. 05%和 9. 41%,且均方根误差( RMSE) 、平均绝对误差( MAE) 等指标均降至优化前的 30% ～50%,各年预测误差最低可降低至优化前的 1 /3 ～ 1 /6。PSO-WRF 模型优化效果显著,表现出良好的预测精度和泛化能力,能够为相关径流预测研究提供一定参考。     

梅雨强度的指数权马尔可夫链预测

利用梅雨强度指数的标准值,应用其指数均方差建立了强度状态的分级标准。在验证了指数系列满足马尔可夫链性质的基础上,针对梅雨强度指数系列为一列相依随机变量的特点,采用以规范化的各阶自相关系数为权重,用加权的马尔可夫链来预测和分析未来年份的梅雨状况,并运用马尔可夫链性质得到了各梅雨状态发生的极限概率。最后以长江中下游地区46年的梅雨强度指数资料为实例,对该方法进行了具体的应用,获得了令人满意的结果。     

基于混沌蚁群算法的辽宁中部地区农业灌溉水量预测研究

本文采用混沌蚁群算法对GM(1,1)模型计算结构进行优化,提高GM(1,1)模型计算效率和精度。并将基于该算法的GM(1,1)模型用于辽宁中部地区农业灌溉用水预测计算中。研究结果表明:相比于区域农业灌溉统计水量,模型预测的年灌溉水量误差小于20%,不同月份计算误差也小于25%,基于混沌蚁群算法的GM(1,1)模型在农业灌溉水量预测上具有一定精度和适用性。研究成果可为辽宁中部节水增量农业用水规划提供参考。     

基于ArcGIS的土方量计算

针对工程土方量计算问题,提出了使用ArcGIS计算土方量,并简介其原理、方法及实现步骤;然后,以某水利工程为实例,对比了ArcGIS、断面法及南方cass栅格法计算结果,说明ArcGIS在计算小范围土方量的优越性,并提出了在使用中应注意的事项及在制作底图过程中独特的见解。     

基于支持向量机的岩爆识别模型

岩爆的发生受多种因素的影响,这些因素关系错综复杂,以不同的特征和组合对岩爆产生综合影响,为科学、充分地利用现有的有限工程资料,本文从地下洞室围岩最大切向应力、岩石的单轴抗压强度和抗拉强度以及岩石冲击倾向指数四个主要因素出发,提出了基于支持向量机的岩爆识别模型,较好地解决小样本、非线性、高维数、局部极小点等的实际问题。     

基于KPCA-PSO-SVM的径流预测研究

为提高径流预测模型的准确性与稳定性,对KPCA-PSO-SVM的径流预测方法进行了研究。在分析径流影响因素的基础上,利用核主成分分析(KPCA)法对径流影响因子进行非线性特征提取,获得主成分作为支持向量机(SVM)的输入变量,建立了径流预测SVM模型,其中模型参数通过粒子群算法(PSO)进行优化。模型建立后,以新疆伊犁河雅马渡站中长期径流预测为例进行分析。预测分析结果表明,在拟合和检验阶段模型的平均相对误差分别为0.77%和7.64%,与其他预测模型比较,基于KPCA-PSO-SVM方法建立的径流预测模型有较好的预测和泛化能力,是一种行之有效的中长期径流预测方法。