2005～2018年涡河玄武河段水质演变趋势分析

水质演变趋势分析是水质研究的基础,也是水质污染防治的有效手段,在水环境研究中具有重要意义.基于涡河流域玄武河段2005～2018年水质指标数据,通过综合污染指数法、模糊综合评价法和灰色关联度评价法,对涡河玄武河段水质进行了综合评价,分析水质中的组分变化特征;采用线性趋势、累积距平法、Mann-Kendall突变检验相结...     

基于小波分析的海绵城市试点未来降雨变化预测分析研究

为有效预测海绵试点城市未来降雨变化特征,以及在面对未来降雨变化时,海绵城市将如何建设提出建议,收集整理30个海绵城市试点1983～2012年的年际降雨变化时间序列,采用Morlet小波函数进行小波分析,探究试点城市降雨变化的多时间尺度的周期性变化规律,并根据主周期对未来降雨变化进行了预测。结果表明,未来降雨变化体现出地区性特点,按照变化规律,30个试点可分为10类。根据预测从2018年开始,环渤海地区东北部、东南部沿海地区试点城市的降雨量会在未来5年内出现明显上升,故这2个区域应加强城市雨水系统的建设,以达到未来降雨变化情景下年径流总量控制率的要求,并根据实际情况加强超标雨水排放设施建设,有效应对未来可能出现的极端降雨事件;其他大部分地区未来5～8年内降雨量变化表现出微弱下降的持平或明显下降状态,在这些区域内,尤其是西北部干旱区及华北平原与华北平原中南部地区的城市,应加强源头雨水控制利用与雨水资源利用设施的建设,并加强非传统水源的收集与利用。     

基于小波神经网络的朝阳降水预测模型研究

本研究立足于朝阳地区1970—2010年的降水资料,利用MATLAB平台运用小波神经网络降水预测模型对朝阳地区降水量进行预测研究,并将该结果分别与真实值、BP神经网络预测结果对比分析,结果发现:基于小波神经网络的降水量预测模型取得了较高的预测精度,弥补了神经网络预测模型的缺点,减少了迭代次数,能够客观的反应朝阳地区降水情况且方法直观,为朝阳地区的降水量预测提供了较为有效的方法。     

基于小波分析的NARX神经网络在水位预测中的应用

高精度的水位预测能为防洪决策、水资源管理等提供重要的调度依据,减少洪旱灾害损失。为提高预报精度,提出一种基于小波分析的NARX神经网络模型(DWT-NARX),综合考虑洪泽湖入湖流量、出湖流量、周边用水、前期水位等因素,对洪泽湖日水位进行预报,并与BP神经网络、NARX神经网络模型进行比较。结果表明,三种模型在短历时预报中均取得了较好的模拟预测效果。当预见期为1或2天时,Nash-Sutcliffe效率系数均大于0.9,合格率大于85%;当预见期超过3d,NARX模型在水位变幅较大的时段预测结果变差,BP模型出现严重的震荡现象,NARX和DWT-NARX模型结果均优于BP神经网络,DWT-NARX在整体上结果最优。研究成果可为洪泽湖的水位预报提供一定的参考价值。     

小波神经网络在径流预测中的应用

将小波分析与传统的BP神经网络模型进行组合,提出了一种新的径流中长期预测方法。该方法对年径流序列进行Mallat小波分解,将分解后得到的不同尺度下的低频成分和高频成分分别进行Mallat算法重构,对重构系列采用BP神经网络模型进行预测。采用黄河三门峡站1470-2002年的年径流资料进行模型的预测和检验,并与传统的BP神经网络模型进行比较,研究结果表明小波神经网络在径流预测中具有较好的预报精度,可以成功地用于径流模拟和预测。     

基于BP神经网络的潇河流域水质预测

针对传统水质预测方法存在预测精度不理想以及对实测数据要求较高的问题,建立基于BP神经网络的水质预测模型,以掌握研究流域未来一定时段的水环境质量情况.模型以潇河流域6个水质监测断面2017年1月-2020年5月的重铬酸盐指数和高锰酸盐指数的浓度作为训练集,以2020年6月-2020年8月的水质数据作为验证集进行模拟与预测...     

松花江(哈尔滨段)水质分析及预测

文章对松花江哈尔滨江段,在浊度、色度、pH、氨氮、耗氧量、碱度、温度共计7个水质监测指标做了分析并予以定性预测.     

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。     

遗传小波神经网络在大坝变形预测中的应用

针对传统的数学统计模型无法完全描述大坝变形量与多种荷载因素之间非线性映射关系的缺点,引入了一种基于遗传算法的小波神经网络模型,利用该模型对小波神经网络的初始权值、尺度因子进行全局优化搜索,克服了BP神经网络初始化的随机性以及网络易陷入局部极小值的不足,将该模型运用于大坝坝顶的径向、切向位移预测,结果表明,遗传算法优化的小波神经网络模型结构稳定性更好,预测精度较BP神经网络模型、小波神经网络模型有较大提高。     

LM—BP神经网络在于桥水库水质预测中的应用

利用BP神经网络的改进算法（L-M）,通过对大量样本进行多次的训练学习,建立于桥水库水质预痢模型,用该模型对于桥水库高锰酸盐指数、五日生化需氧量、氨氮、溶解氧等污染指标进行了预测,预测结果表明,LM—BP神经网络模型用在于桥水库水质预测时是可行的,可以得到较为理想的的精度和可靠度。     

大桥水库水质的预测分析

凉山州大桥水库是一座大型综合利用工程，水库不仅有灌溉和水产养殖功能，而且还有保下游城市生活供水功能，因此水库水质问题至关重要。本文通过对本水质现状的调查和监测，证明库区本底水质较好，符合国家地面水ＧＢ３８３８－８８Ⅱ类水标准，明确本底水体中的重金属和放射性物质含量较高的原因是与环境背景值高有关，通过对水质建库后的预测分析，论证了水体中的重金属及放射性物质上与龚咀电站水库情况相似，由此得出建库后不仅     

基于小波分析以及ε-SVR的隧道围岩位移时序预测

根据龙滩地下洞室围岩现场长期的观测数据,利用小波变换阈值去噪法对数据信号的高频系数进行量化处理,恢复原有的监测信号。实例结果表明,小波变换阈值去噪法能够有效地去除噪声的影响,获得围岩变形的真实信号。同时将去噪后的数据用于支持向量机(ε-SVR)建立时序分析模型中,并与GA-BP模型进行对比,结果表明ε-SVR模型的误差更小,预测效果更佳。更多还原     

小波变换结合BP神经网络进行径流预测

对BP神经网络和小波变换结合BP神经网络这两种方法在径流预测方面做了一些比较,认为在缺乏降雨、温度等相关资料的情况下,单从径流资料出发用BP神经网络进行径流预测,效果并不理想;而通过小波变换把径流序列分解为多个频率成份的叠加,再由神经网络对小波系数进行预测,最后重构出预测的径流序列的方法取得的效果较好.同时还就小波变换结合BP神经网络方法,比较了不同网络结构对径流预测效果的影响,其结论可作为对径流序列预测研究的一种参考.     

基于小波消噪及BP神经网络的大坝变形分析

基于港口湾大坝多期变形观测数据,采用Matlab语言、小波消噪及BP神经网络分别建立了基于时间序列和基于环境因素的大坝变形监测BP神经网络模型,并利用模型分别对大坝某点变形值进行预测。时间序列BP模型具有结构简单、学习速率快的特点;环境因素BP模型精度高,可有效反映变形因素,便于拟合预测复杂的测点变形,相对前一种模型能更好地揭示大坝变形规律。两种建模方法先应用小波分析对原始观测数据消噪,训练过程中采用附加动量法等改进BP算法,大大提高了BP神经网络的计算效率,克服了其易陷入局部极小的缺陷,取得了良好的拟合效果和预测精度。     

小波神经网络在径流预测中的应用研究

将小波变换应用到径流序列分析中,获得了黄河陕县水文站109年径流序列的组成情况和变化趋势。用BP神经网络与小波变换相结合,对该站109年径流序列进行了研究,认为：①小波网络预测模型是综合小波变换与神经网络两者优点而形成的一种数学建模分析方法;②小波神经网络的建模算法可有效提高预测精度;③小波神经网络预测中一些数据的预测结果欠佳,其原因主要是由于不存在理想的数字滤波器和误差累积所致。对影响结果的因素进行了分析,并对神经网络、小波神经网络在径流分析中的应用做了评价。     

钱塘江流域水质发展趋势研究

通过对高锰酸盐指数和氨氮指标的分析，针对钱塘江流域近十年水质监测的调查，分析了钱塘江的水质现状；预测了流域水质的发展趋势。结果表明主干流的水质逐渐得到改善，但不同河段的水质变化较大,主干流水质好于支流、下游水质好于上游、远离城市河段好于市区河段。工业污染源与城市生活污染源得到治理，污染物排放量逐年降低，但农业面源污染负荷的控制相对较难，进展较缓慢。     

基于改进粒子群算法优化BP神经网络的西江水质预测研究

为了提高西江水质预测的精度,提出一种改进粒子群算法优化BP神经网络的水质预测模型。首先,为提高PSO算法的收敛速度并避免其陷入局部最优,PSO算法种群被划分为普通子群、优良子群和较差子群,提出一种云模型改进PSO惯性权重的云模型粒子群算法;其次,针对BP神经网络存在收敛速度慢和局部最优的问题,运用云模型粒子群算法迭代寻优获取BP神经网络的最佳初始权值和阈值;再次,将影响地表水质等级的主要因素作为CPSO-BP的输入,水质等级作为CPSO-BP的输出,建立CPSO-BP的水质等级预测模型。以西江2011年-2018年的水质监测数据为研究对象,与PSO-BP、GA-BP、DE-BP和BP模型进行了对比,研究结果表明,CPSO-BP水质预测的精度最高,且具有更快的收敛速度。     

基于小波去噪与BP神经网络的地铁沉降组合预测方法

为准确预测地铁开挖引起的地表沉降,采用小波去噪与BP神经网络组合预测的方法,对不同小波去噪参数的去噪效果进行对比分析,得到最佳去噪模型,再对监测数据进行降噪处理,最后结合BP神经网络进行地铁沉降预测。未降噪处理的BP神经网络预测值、经小波降噪处理的BP神经网络预测值与实际监测数据的对比分析表明,小波降噪与BP神经网络组合预测的精度最高,为地铁沉降预测提供一种新的方法。     

小波神经网络模型在河道流量水位预测中的应用

鉴于BP神经网络学习收敛速度慢、参数选择困难、易陷入局部极值等缺点,提出小波神经网络河道流量水位预测模型,以盘龙河天保站流量水位预测为例进行分析。采用循环算法确定最佳BP神经网络结构,并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,构建传统BP、GA-BP神经网络河道流量水位预测模型作为对比预测模型。结果表明:小波神经网络结合了神经网络与小波分解在函数逼近上的优点,其预测精度高于传统BP和GA-BP网络模型,表明小波神经网络用于河道流量水位预测是合理可行和有效的,可为水文预测预报提供新的途径和方法。且小波神经网络模型具有计算简便、逼近能力强、收敛速度快,能有效避免局部极值等特点,有着广阔的应用前景。