几种人工神经网络法的水质预测比较

人工神经网络是现如今被广泛应用于预测方面的方法,运用BP神经网络、RBF神经网络、Elman神经网络分别对大伙房水库的2006年的TN、TP进行预测,比较3种网络的训练误差和预测误差得到:RBF神经网络训练速度最快且训练误差最小,RBF神经网络和Elman神经网络的预测误差明显小于BP神经网络,RBF神经网络和Elman神经网络应用于水质预测是可行的。     

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.     

变形预报中RBF和BP神经网络有效性比较

通过仿真实例,对RBF和BP神经网络在变形监测数据预测中的应用进行比较,提出一种RBF网络参数优化的二维区间搜索算法。训练和仿真结果表明,在相同精度要求下,RBF神经网络比BP神经网络的训练速度更快、效率更高、泛化能力更强。将两种网络得出的预测结果进行比较得出,RBF网络用于变形监测数据处理可以得到更好的预测效果。     

证据理论融合蚁群神经网络的水质预测方法

为了提高水质指标预测的精度,提出了证据理论和蚁群神经网络相结合的组合预测方法。用蚁群神经网络作为单一模型对水质指标进行预测,再由BP、RBF网络对预测误差进行分析建模,获取每个模型的可信度。利用证据理论获取单一模型的权值,实现水质指标的组合预测。该方法克服了常规BP算法收敛速度慢、易陷入局部极值的缺陷,能有效提高预测精度。     

几种神经网络模型在湖库富营养化程度评价中的应用

基于我国湖库富营养化评价标准和RBF、GRNN、BP、Elman神经网络算法原理,分别构建RBF等4种神经网络湖库富营养化等级评价模型,采用内插法构造网络训练样本,把我国湖库富营养化评价等级临界值作为评价样本进行“预测”,将“预测”结果作为湖库富营养化程度评价等级的划分依据,对全国24个主要湖库富营养化程度进行评价。结果表明：RBF、GRNN、BP、Elman神经网络模型对全国24个主要湖库富营养化程度评价结果基本相同,表明研究建立的RBF等4种神经网络湖库富营养化程度评价模型和评价方法均是合理可行的,其评价精度高,可为湖库富营养化程度评价提供新的途径和方法。同BP和Elman网络算法相比,RBF与GRNN神经网络模型不仅对湖库富营养化程度评价结果完全相同,且模型具有收敛速度快、预测精度高、调整参数少(只有SPREAD参数),不易陷入局部极小值等优点,可以更快地预测评价网络,具有较大的计算优势。     

基于RBF神经网络的年蒸发量预报

文章以嫩江大赉站1970-2012年的年蒸发量为例,首先根据AIC准则来确定模型的阶数,进而确定RBF神经网络的输入向量,建立了RBF网络年蒸发量预报模型。结果表明,RBF神经网络模型能很好的预报年蒸发量,同BP网络比,RBF网络预测的稳定性更好,训练速度更快,预测精度更高。RBF年蒸发量预报模型可以有效地弥补物理模型的不足,而且对于不同地区具有普适性。     

不同组合小波神经网络模型对径流预测的适用性

针对水文时间序列的非平稳性特征,以长江三峡宜昌站1904~2003年年平均流量为例,分别建立了小波分析（WA）与BP神经网络和径向基函数神经网络（RBF）耦合的预测模型,探究了两种组合模型的预测效果,并与传统的单一人工神经网络模型对比;并采用5种常见的预测性能评价指标分析预测效果。结果表明：组合模型预测成果的精度较单一模型显著提高;组合和单一模型中RBF网络模型均优于BP网络模型;小波径向基函数神经网络组合模型具有较优的预测精度和泛化能力,是提高预测精度的有效方法,在径流预测中具有可行性。     

改进RBF-Adaboost模型及其在年径流预测中的应用

为提高径向基神经网络(RBF)在年径流预测中精度,提出基于Adaboost算法及线性递减算法改进的RBF-Adaboost预测模型,以云南省姑老河站年径流预测为例进行实例研究,并构建RBF、GA-BP及BP模型作为对比模型.利用实例前34年和后20年资料对所构建的模型进行训练和预测.结果表明:改进RBF-Adaboost模型对实例后20年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为4.83％、9.51％,预测精度优于RBF、GA-BP及BP模型.RBF-Adaboost模型集成了多个基于扩展系数及期望误差线性递减改进的RBF神经网络弱预测器,有效提高了RBF神经网络模型在年径流预测中的精度,模型具有预测精度高、泛化能力强等优点.     

基于BP网络和RBF网络的河道浅滩演变预测模型

利用神经网络BP理论在处理非线性问题上的优势，在分析影响河道浅滩演变因素的基础上，建立了基于MATLAB的河道浅滩演变BP网络模型，实例结果表明，利用BP网络和RBF网络模型对浅滩变化进行预测是可行的，具有很好的应用价值，为河道浅滩演变预测研究提供了新方法。     

基于BP和RBF神经网络的水轮机综合特性曲线的拟合

关于大波动过渡过程中水轮机特性曲线的处理有很多种方法,其中有用神经网络方法来训练相关数据形成网络从而预测待求数据点,其中BP和RBF两种网络为较为常用的神经网络方法。本文通过学习Matlab中神经网络工具箱的调用,比较分析了BP和RBF两种神经网络在水轮机特性曲线拟合上的区别,试图找出BP网络隐含层神经元个数对其拟合精度的影响,以及随着其神经元个数增加而拟合度增加的情况。     

基于GA-BP与多隐层BP网络模型的水质预测及比较分析

采用循环算法确定最佳BP神经网络结构,建立BP神经网络水质模型进行预测.鉴于BP神经网络学习收敛速度慢、易陷入局部极值等缺点,在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建GA-BP以及多隐层BP神经网络水质预测模型,以云南省某水库总氮预测为例进行预测与比较分析.结果表明:①GA-BP网络水质模型预测精度高于基本BP网络,表明遗传算法能有效优化BP网络初始权值和阈值.②增加BP神经网络隐层数能进一步提高网络预测精度,但训练时间也随着延长.③GA-BP及多隐层BP可作为提高网络预测精度的有效方法,二者均可用于水质预测预报,可为水质预测预报提供新的途径和方法.相对而言,GA-BP模型收敛速度快、预测精度高,具有一定的计算优势.     

基于改进人工蜂群算法的地下水埋深预测研究

为了改进人工蜂群算法的RBF神经网络模型在地下水埋深预测中的应用,在基本人工蜂群算法中引入高斯变异算子,并优化初始蜜源位置,提出了基于改进人工蜂群算法的RBF神经网络模型,并利用安阳市某观测站的降水量、蒸发量、河道流量、灌溉渗漏量和人工开采量5个相关影响因子的数据,对该方法进行了应用。为了验证模型的优劣性,与单一的BP神经网络模型、RBF神经网络模型、基于蚁群算法的RBF神经网络模型和基于基本人工蜂群算法的RBF神经网络模型的预测结果进行了比较,结果表明:基于改进人工蜂群算法的RBF神经网络模型收敛速度更快、预测结果误差最小。     

基于不同核函数的SVM用于径流预报的比较

为提高径流预报的预测精度,分别采用基于RBF、ERBF的核函数对碧流河水库的年径流量建立了SVM回归模型。径流预报结果表明:基于ERBF核函数的SVM回归方法的预报误差、均方误差均比基于RBF核函数的SVM回归方法的结果小,径流预测精度也高于基于RBF核函数的SVM方法的结果。     

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.     

RBF神经网络在地下水动态预测中的应用

为了动态预测地下水位的变化,采用神经网络模型构建地下水位埋深预测模型。充分发挥径向基函数(RBF)神经网络的逼近收敛能力,通过"径向基函数(RBF)"和"逆向传播(BP)"算法优选模型参数,以长春城区为应用实例,将2006—2012年84组数据作为训练样本,将2013—2015年36组数据作为检验样本,对其实测埋深动态过程进行模拟,对比两种模型性能优劣,并对2016—2018年地下水埋深进行预报。结果表明:RBF神经网络模型和BP神经网络模型的均方根误差分别为0.10和0.43,最大绝对误差分别为0.44 m和0.61 m,最大相对误差分别为14.60%和27.17%;2015年以后,长春城区地下水位动态周期性变化明显,埋深变幅较大,枯水期埋深最大为5.10 m,丰水期埋深最小为1.62 m,呈明显的季节性特征。RBF模型具有更高的非线性映射能力和预测精度,该模型可以用于同类的动态数据的预报。     

基于改进正余弦优化神经网络的水体余氯预测

为保证居民用水安全,搭建更加准确、稳定的水质余氯预测模型,提出了一种改进正余弦算法优化神经网络的水体余氯预测模型。在正余弦算法(SCA)位置变化中加入非线性权重,平衡全局勘探和局部开发能力;同时在粒子更新后融入Levy飞行,丰富种群多样性,强化局部搜索能力;将改进正余弦算法用于BP神经网络参数优化,搭建ISCA-BP水体余氯预测模型。利用在线水质监测设备的监测数据进行余氯含量预测,不同预测模型结果对比表明,ISCA-BP模型预测结果相对误差的平均值为4.04%,均方根误差为0.011 3 mg/L,与BP、RBF神经网络模型相比,误差最小,模型预测结果与实际值最接近,泛化能力更强,预测结果精确度高,稳定性好。     

基于时序AR补偿RBF模型的滑坡位移预测

为了提高复杂态势下滑坡位移预测的准确性,构建了基于时序AR补偿RBF神经网络的滑坡位移预测模型。首先采用RBF(Radial Basis Function)神经网络对滑坡位移整体趋势进行逼近,获取预测残差;然后基于时序AR构建预测残差补偿器;最终将AR预测残差值与RBF逼近值进行叠加,从而实现滑坡位移预测。以隔河岩水电站进水口滑坡38期监测数据为例,采用AR补偿RBF模型进行预测。预测结果表明:相较于单一RBF神经网络,AR补偿RBF模型的预测平均相对误差由12.718%降低至4.703%,均方误差由0.232降低到了0.032;AR补偿RBF模型对滑坡位移拐点、突变点的逼近更符合实际,且具有较高的外推预测能力。     

河道浅滩演变预测的人工神经网络模型

本文主要介绍利用人工神经网络对河道演变进行预测研究,并选取最佳模型对河道演变进行预测。通过对比分析发现RBF网络模型比BP神经网络模型的训练时间短,两模型的预测精度相差不多。结果证实人工神经网络在河道浅滩演变中具有较强的应用性,为河道浅滩演变预测开辟了一条新思路。     

基于改进 RBF 神经网络的最大动剪切模量确定

采用径向基函数（ RBF ）神经网络的手段,直接建立最大动剪切模量G_max与孔隙比e、围压σ₃、固结比 k_c 这3个影响因素的非线性关系,避开了寻找G_max与各影响因素之间定量经验公式的繁琐工作。通过模式搜索法计算出径向基函数的扩展速度的最优值,使模型的预测误差最小。以福建标准砂为例,模式搜索法得出的扩展速度 SPREAD 最优值为2.287,RBF 网络预测的G_max平均相对误差为0.931 6%,误差很小,说明 RBF 神经网络能方便、有效地确定不同条件下的G_max,具有一定的推广利用价值。除了对G_max能够很好地预测外, RBF 网络对G -γ关系曲线也能很好地模拟。     

基于回归分析和小波变换的边坡变形组合预测研究

为有效地判断边坡变形的发展趋势,基于边坡变形的现场数据,首先利用回归分析和小波变换分解边坡变形数据的趋势项和误差项,并选取若干最优的分解数据进行组合确定边坡变形数据的趋势项和误差项,再利用BP和RBF神经网络对趋势项和误差项序列进行预测,得到单项预测的结果,最后研究分析了定权组合预测和非定权组合预测的效果。结果表明在趋势项和误差项的分离过程中,不同分离方法的分离结果具有一定的差异,以6次多项式回归、5次及7次傅里叶回归和sym2小波变换的结果较好;同时,在单项预测中,分项预测的效果要优于传统的单项预测,验证了分项预测的有效性,并由组合预测的结果可知,2种组合预测的效果均较好,均很大程度上提高了预测精度,且非定权组合的预测精度要优于定权组合预测的精度。上述研究为边坡的变形预测提供一种新的思路。