门限自回归模型及其在水文随机模拟中的应用

为了客观描述日流量变化的非线性特性,将一种非线性时序模型--门限自回归模型引入日流量随机模拟.根据我国金沙江流域屏山站观测资料建立了日流量随机模拟的门限自回归模型.实用性检验结果表明,该模型用于模拟日流量过程是可行的,成果实用.这种尝试为日流量随机模拟提供了一种考虑日流量非线性变化特性的新模型.     

若尔盖湿地黑河径流分析及预测

根据若尔盖湿地若尔盖水文站逐日平均流量资料(1988～2008年),应用滑动平均法、不均匀度、变化幅度以及自相关系数分析了若尔盖湿地黑河径流年际变化以及年内分配规律,并采用门限回归模型以及最近邻抽样回归模型对日径流进行了拟合和预测。研究表明,若尔盖黑河径流量年内分配十分不均,年内变化曲线呈现双峰型;日径流短期内具有良好的相依性;且年径流量自1988年以来具有明显的减小趋势;门限回归模型、基于时间序列分析的最近邻抽样回归模型用于逐日平均流量预测,效果较好。     

门限回归与BP网络相结合的单一线法研究

为更好地反映测站水位流量关系所固有的规律,提高水位流量关系模拟的稳定性和精度,分析了影响单一线法定线与推流精度的几种因素,在采用门限回归建模、BP网络建模的基础上,分析探讨了将门限回归与BP网络结合起来的方法:先用门限回归模型将实测样本分段,再用BP网络对各分段样本进行非线性拟合。实例研究表明:该方法克服了单独使用门限回归方法因分段数不足而无法较好地模拟总体的非线性规律,以及当实测样本存在突变和分段规律时BP网络方法本身无法对其甄别的缺陷,较其他两种方法精度更高、效果更好,丰富了目前现有的稳定水位流量关系分析的单一线法,可在工程实践中尝试应用。     

多模型不同时间尺度中长期径流预报研究

为研究多模型不同时间尺度中长期径流预报效果,本文结合工程实例,以不同的时间段为检验期,模拟预报该工程的坝址月、旬和周平均流量,并分析了不同资料系列长度对模拟预报精度的影响。研究结果表明,最近邻抽样回归、人工神经网络和门限自回归模型对该工程月、旬、周时间尺度平均流量模拟预报精度随着时间尺度减小呈增高趋势;门限自回归模型模拟预测精度略高于其他两个模型;资料系列达到一定程度后,不同模型对月、旬、周时间尺度平均流量的模拟预报比较稳定。     

遗传门限自回归模型在感潮河段水位预测中的应用

应用门限自回归(TAR)模型建立了同时受潮汐和径流双重影响的长江下游感潮河段高桥水文站月水位TAR预测模型,建模过程中运用遗传算法来实现模型参数的优化.计算结果显示,门限自回归模型可以拟合感潮河段的非线性特性,拟合及预测精度均满足水文预报规范要求,遗传算法的引入简化了建模过程,提高了模型的预测精度并保证了其预测性能的稳定性.研究结果表明用遗传门限自回归模型预测感潮河段的水位是可行的,该模型在感潮河段其他水文要素的非线性时序预测中也具有广泛的实用价值.     

门限人工神经网络模型及其在洪水预报中的应用

结合门限自回归模型与人工神经网络模型的建模思想，首次提出这两种方法的耦合模型，即门限人工神经网络模型，新模型的实质是一种分段非线性化的处理方法，是对现有门限模型分段线性化的很好改进。实例计算结果说明，新模型在洪水的预报中是有效的，在各种非线性时序动态预测中具有普遍意义和广泛的实用价值。     

大坝安全监控的门限回归预测模型及其应用

 大坝监测效应量在工作过程中受内部和外部因素的 共同作用,经常出现跳跃、渐变、再跳跃等复杂周期变化,表现出高度的非线性,为建立常规的大坝安全监控预测模型带来了不少麻烦。借鉴门限自回归模型的门限思想,在常规回归模型中引入门限因子和门限值,利用提出的最佳拟合相关分析法确定门限因子和门限值,建立了门限回归模型。计算实例表明该方法用于大坝安全监控预测可以取得满意的效果。     

龙滩水电站入库洪水随机模拟研究

根据龙滩水电站所在流域的实际情况，建立多维自回归随机模型，由龙滩坝址以上流域内四个站区的日流量随机模拟入库设计洪水。通过对所建模型和模拟生成的洪水系列进行检验，表明利用多维自回归随机模型模拟龙滩水电站入库洪水是可行的。     

人工神经网络非线性时序模型在水文预报中的应用

首先构造出人工神经网络非线性时序模型 ,然后用该模型进行单变量和多变量时间序列预报研究。为了与传统的随机水文模型对比 ,选择了自回归模型。以日流量序列为例 ,研究结果表明 ,人工神经网络非线性时序模型预报效果不错 ,可以在水文预报中加以应用     

投影寻踪门限自回归模型在水稻单产变化预测中的应用

由于受气象、人为等因素的影响,为水稻单产变化时序这类非线性系统,提出了投影寻踪门限自回归（PPTAR）模型.用自相关分析技术确定预测因子,构造了新的投影指标函数,用门限自回归（TAR）模型描述投影值与预测对象间的非线性关系,并用基于实数编码的加速遗传算法优化投影指标函数和TAR模型参数.实例的计算结果表明,用PPTAR模型预测水稻单产变化时序是可行和有效的.PPTAR模型简便、适用性强,克服了目前投影寻踪方法计算量大、编程实现困难的缺点,有助于投影寻踪方法的推广应用,为解决非线性时序复杂预测问题提供了新的途径.     

具有周期变化和下降趋势的地下水位的预测

应用门限自回归 (TRA)模型解决具有周期性变化和下降趋势的地下水位的预测问题 ,可以有效地利用地下水位资料所隐含的时序分段相关性 ,起到限制模型误差 ,保证模型预测性能的稳定性 ,提高预测精度的作用     

基于遗传算法的门限自回归模型在浅层地下水位预测中的应用

提出了建立门限自回归模型的一种简便通用的方法，用遗传算法可同时优化门限值和自回归系数．实例计算的结果说明了其可行性和有效性．该方法在各种工程时序预测中具有广泛的应用价值     

年径流预测的遗传门限自回归模型

为有效利用年径流时间序列资料所隐含的时序分相依性这一重要信息，推进出用门限自回归模型（TAR）来预测年径流，并研制了TAR建模的一整套便通用的方方案，用所提出的改进遗传算法，可同时优化门限值和自回归系数，从而解决了TAR建模过程所涉及的大量复杂寻优工作这一难题，为TAR模型的广泛应用提供了强有力的工具。实例计算的结果说明这套方案是可行的和有效的；通过门限值的控制作用，TAR模型可以有效地限制模型误差，从而保证ATR模型预测性能的稳健性，提高预测精度，该方案具有通用性，在非线性时序预测中具有重要的理论意义和实用价值。     

基于ARMA-GMDH的水利工程变形预测模型

变形监测数据是定量评价水利工程结构安全的重要依据.水利工程变形数据是一种典型的非平稳信号,同时包含线性成分与非线性成分.针对水利工程变形的线性成分和非线性成分特征,分别利用针对线性信号的自回归移动平均模型和非线性信号的数据分组处理方法,构建了一种基于ARMA-GMDH的组合预测模型对水利工程的变形进行预测.工程实例表明...     

滑坡位移监测动态预报时间序列分析技术研究

采用三次样条函数插值法处理非等距时间序列,运用时序分析方法建立了滑坡位移动态预报的ARIMA模型和CAR模型,并将其应用于茅坪滑坡,取得了良好的实际成果,为判断茅坪滑坡的动态特征提供了可靠的理论依据.     

日径流过程随机模拟的FDR模型

本文根据对日径流过程变化特征的深入分析，提出了以日径流过程的一阶差分过程的轮次分析为基础的日径流过程随机模拟模型，简称为一阶差分轮次模型，简记为ＦＤＲ模型。根据长江宜昌站９０年日径流资料建立了宜昌站日径流过程随机模拟模型，并进行了实用性检验，取得了预期的成果。可以认为ＦＤＲ模型具有概念明确、模型结构简单和对资料适应性强的特点。因此，本模型具有较好的实用前景，是一个较好的日径流过程模拟模型。     

基于日径流模拟的围堰实时挡水风险率估计

针对目前导流风险研究不能解决实时风险率计算问题，本文提出了基于日径流模拟的围堰实时挡水风险率估计方法。首先，根据实测水文序列由系统辨识方法得到日径流序列的随机模拟模型；然后，用此模型结合当前来流和实际施工进度来估算围堰实时的挡水风险率，从而为围堰施工进度的实时调整和临时防洪渡汛     

隔河岩水库入库径流随机模拟研究

根据实测日流量过程资料分析清江流域的洪水统计特征和自相关结构,分别用AR模型和典型解集模型进行随机模拟,并对模拟结果进行分析与检验,经研究认为典型解集模型对隔河岩水库入库径流模拟效果相对较好。     

Stochastic Modelling of Rainfall in Humid Region of North East India

Rainfall is one of the fundamental components of the hydrological cycle as its accurate estimation is necessary for planning, designing and operation of water resources development programmes. In the present study, monthly stochastic model was developed using rainfall data for Doimukh (Itanagar), Arunachal Pradesh, India. The rainfall series was assumed to be composed of deterministic and stochastic components. The trend component was found to be non-significant. Fourier series analysis was used to identify the periodic component. Three harmonics were found significant. The stochastic component was modeled by fitting into auto regressive model of order 6. The Mean and standard deviation of the generated series were found to be close to the historical values. The value of absolute error, relative error, correlation coefficient and Nash–Sutcliffe coefficient indicated a high degree of model fitness to the observed data series.