带偏差单元的递归神经网络及其运用

近年来人工神经网络（ANN）在水文预测和水文分析中的应用越来越多，其中BP网络的应用尤为广泛，不少学者提出了很多基于改进算法的BP网络。通过研究，从改进网络结构出发，首次建立了带偏差单元的递归神经网络，并将它用于径流预测。应用实例表明，该结构的网络模型，通过改进网络结构，能很好地克服原BP模型收敛速度慢，网络学习，记忆不稳定等缺点。拟合，预报精度较原BP模型均有较大提高。     

基于大坳灌区扩建地下水环境影响评价

依据大坳灌区水文地质、气象、灌溉、开采、地下水动态监测等方面的资料,在掌握灌区地下水水位动态变化机理及动态特征的基础上,建立了区域的水文地质概念模型。运用地下水数值模拟软件Groundwater Model System建立灌区地下水水流模型,对灌区地下水水位进行模拟。模拟结果表明:地下水位的计算值和实测值吻合较好,该模型可以用来对该灌区新渠系建设后的地下水位进行预测。模型预测结果为:灌区新渠投入运行多年后地下水水位大部分上升值小于0.2 m,最大上升值0.49 m,对区域地下水位总体影响不大,不会引起相应的生态环境问题。     

基于粒子群算法的BP模型在地下水位埋深预测研究中的应用

地下水水位埋深是影响河套灌区生态环境的主要因素,开展地下水位埋深预测研究对灌区远景发展规划与用水管理具有现实指导意义。本文采用基于粒子群算法的BP神经网络模型(PSO-BP),对河套灌区永济灌区地下水位埋深进行了预测模拟,相对于传统BP模型纳什效率系数NSE (0.791), PSO-BP模型NSE(0.887)提高了12%。表明, BP神经网络可以有效处理地下水位埋深与其影响因素之间的复杂非线性问题,同时粒子群算法可以提高模型的预测精度。     

种植结构变化下渠井结合灌区用水优化配置研究

本文以Visual Modflow软件为平台,建立了惠农渠井结合灌区地下水模拟模型,确定了降雨入渗补给量、不同种植结构的各种作物节水灌溉制度及灌溉入渗补给量、渠道入渗补给量、潜水蒸发量和地下水开采量,率定和验证了水文地质参数,模拟计算的地下水埋深与实测的地下水埋深相关系数较高,说明渗透系数(k)、给水度(sy)取值合理。通过惠农渠井结合灌区地下水模拟模型和线性规划模型计算分析得出最优渠井用水比为2.1,作物种植比例为0.9,灌区经济效益最大为1 205万元,为灌区节水技术改造提供了理论依据。更多还原     

灌区地表水—地下水耦合模型的构建

为了定量描述灌区水平衡要素及其转化关系,构建了灌区地表水-地下水分布式模拟耦合模型。通过改进SWAT模型的稻田及旱作物水分循环、蒸发蒸腾量和渠系渗漏计算等模块,建立了灌区地表水分布式模拟模型;以SWAT模型中的水文响应单元(HRU)和MODFLOW模型中的有限差分网格(cells)作为基本交换单元,将改进SWAT模型的地下水补给量计算值加载到MODFLOW模型的地下水补给模块,实现了灌区地表水-地下水分布式模拟模型的耦合。耦合模型在柳园口灌区的应用结果表明,该模型能够准确模拟和预测灌区地表水和地下水的动态变化,为灌区水管理提供了科学依据。     

基于BP神经网络的区域地下水位动态预测

地下水系统是一个高度复杂系统，地下水位与其影响因素之间存在非线性映射关系，人工神经网络则是处理非线性问题的有效方法。把影响区域地下水位动态的5个主要因素作为网络输入向量，地下水位本身作为网络输出向量，采用快速BP算法构造地下水位动态预测的BP神经网络模型，最后将该模型应用于河套灌区义长灌域地下水位动态预测。结果表明，BP神经网络用于区域地下水位动态预测时有较高的精度。     

灰色模型及BP神经网络模型在灌区地下水动态中的对比应用

针对陕西省泾惠渠灌区地下水不合理开采引起的部分环境地质问题,对泾惠渠灌区2001—2010年的地下水水位进行分析,在此基础上采用灰色模型和BP神经网络模型对灌区地下水水位进行模拟,通过对这两种模型的对比发现:BP神经网络模型预测结果较灰色模型好,可以较高精度对未来年的地下水流进行预测。     

喀拉喀什河悬移质沙量和过滤设备选型研究

河流悬移质沙量的有效预测是节水灌区供水管网安全有效运行的重要保障,针对干旱节水灌区悬移质沙量来量预测不精确的客观实际,以喀拉喀什河乌鲁瓦提水文站多年实测流量资料为基础,通过推移质输沙率与流量之间的关系,以3%的推悬比,处理得到多年悬移质沙量。利用Matlab对数据进行小波方差分析,得出悬移质沙量随时间尺度变化的趋势和周期性,结合BP神经网络模型对不同周期下的悬移质沙量进行预测。结果表明,应用小波分析与BP神经网络模型预测悬移质沙量的精度较高,预测结果将为灌区过滤设备的选型提供有力支撑,进而有力地保障灌区的供水安全。     

改进的BP神经网络模型在地下水预测中的应用研究

针对传统BP神经网络模型局部较易收敛的缺点,引入小波分析函数对传统BP神经网络模型节点计算进行改进,并将改进的BP神经网络模型在新疆地区地下水预测中进行应用,研究结果表明:改进的BP神经网络模型可解决模型局部较易收敛问题,预测的地下水水位和实测的地下水水位更为接近,预测的地下水水位和实测水位之间的相关性年尺度达到0.85,高于传统BP神经网络模型的预测精度。     

河套灌区节水改造工程实施前后区域地下水位变化的分析

河套灌区节水改造工程实施后，引黄水量将由现状的年平均（近１０年）５２亿ｍ＾３，减少到４０亿ｍ＾３。由于引黄水量的大幅度减少，人们一直担心是否会由此导致灌区内区域地下水的大幅度下降，从而造成该地区生态环境的破坏。在缺乏观测试验资料的情况下，采用集中参数模型对河套灌区节水改造前后区域地下水位变化进行了模拟分析计算，结果表明，在引黄水量每年减少１２亿ｍ＾３情况下，区域地下水位下降幅度较小，约为０．４ｍ，     

应用优化神经网络算法预报地下水位

根据地下水及其影响因素之间存在的映射关系，在BP网络模型的基础上，提出一种Levenberg-Marquart优化神经网络算法，并用于地下水位的预测．与传统的BP算法相比较，该算法的预测精度较高，计算结果稳定性好，收敛速度快．     

小波-神经网络混合模型预测地下水水位

由于过量开采地下水,华北平原的许多城市出现地下水水位持续下降趋势,由此导致了许多严重的环境问题,如地下水枯竭、地面沉降和海水入侵等。为了准确预测城市地下水水位变化,利用小波变换的多尺度分析特征,建立了小波-神经网络混合模型(以下简称"混合模型"),并研究了其在地下水水位预测中的精度。利用北京市平谷区地下水水位观测资料,分别用BP网络和混合模型对该区地下水水位进行了预测。采用均方根误差(RMSE)、平均绝对误差(MAE)和线性相关系数(R)对模型预测的精度进行度量。预测结果表明:混合模型第1至第3个月的地下水水位平均绝对误差分别是0.535,0.598和0.634 m;而BP模型的平均绝对误差分别为0.566,0.824和0.940 m。混合模型的预测误差分别为BP模型的95%,73%和67%。使用混合模型能明显提高预测的精度,显著增加有效预测时段长度。     

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。     

干旱内陆区自然-人工条件下地下水位动态的ANN模型

根据我国干旱内陆区自然-人工条件下地下水系统的特点，建立了甘肃省石羊河流域下 游地下水位动态的人工神经网络模型，采用附加动量法和学习速率自适应调整策略对反向传播算法（BP）进行改造，以提高计算速度。该模型以前期地下水位、降雨量、蒸发量、地表来水量、灌溉面积、灌水定额、人口数量作为输入变量，采用缺省因子检验法分析了上述各个因子对地下水位影响的敏感性，模拟了不同灌溉发展面积及地表来水条件下地下水位动态。结果表明：研究区人类活动及地表来水是影响地下水位动态的主要因子，灌溉面积的扩大及地表来水的减少会使地下水位持续下降。模型具有较高的精度，可以较好地定量描述地下水位动态与上述各因子之间的响应关系；研究结果可应用于该地区地下水系统的管理。     

PSO-BP神经网络在多输出水利定额编制中的应用

针对运用BP神经网络模型来编制水利定额存在收敛慢、精度低、稳定性差的缺陷,提出利用粒子群算法(PSO)来优化BP神经网络初始权值阈值的模型,优化模型结合了粒子群全局搜索能力和BP网络的局部探优能力。在运用MATLAB对算法模型进行编程中,首先确定模型的关键参数和开展数据的预处理,其次利用标准粒子群算法优化BP神经网络的初始连接权值阈值,最后将优化的连接值带入BP模型训练并预测,实验中连续运行了50次模型。结果表明:BP模型的双输出预测精度分别为11.13%和8.41%,有10次未达到目标精度;PSO-BP模型的双输出预测精度分别为5.65%和5.44%,全部达到目标精度。因而得出结论,PSO-BP模型比单纯BP神经网络的预测精度和稳定性更好,更适合用来指导水利定额的编制工作。     

基于改进BP算法的地下水动态预测模型

运用学习率自适应动量BP算法建立了吉林西部地下水埋深人工神经网络模拟预测模型。首先利用自回归分析方法确定网络输入输出样本,而后应用“试错法”确定隐含层节点数,最终建立了6∶10∶1的ANN地下水动态模拟预报模型,最后应用VB语言依据改进BP算法编制计算程序进行模拟计算。通过对模型检验可知该模型模拟和预测精度均较高,完全可应用于地下水位动态预报。2002年以后的预报结果表明该地区地下水位持续下降,应及时加以控制。     

基于遗传优化LMBP算法的变形分析与预报

本文针对传统BP神经网络存在收敛速度慢、计算量大、易收敛于局部最小点的缺点,引入遗传算法与LM算法优化BP神经网络,并对优化后的BP神经网络进行训练与预测。实验结果表明：优化后的模型具有训练速度快、预测精度高的特点,更适用于大坝的实时预报。     

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.     

基于多元回归分析的宝鸡市区地下水位动态预报

在简要介绍回归模型的建立、求解及检验的基础上,以1990年~2007年宝鸡市区年降水量、年开采量和天然河道渗漏量作为自变量,宝鸡市地下水水位埋深为因变量,建立了宝鸡市区地下水位动态预报模型。通过对2008年的地下水位埋深进行预测,精度较为理想;并应用F检验法、相关系数r的评价和p值检验法对模型进行检验,结果表明所建立的模型能够反映因变量与自变量的线性关系,因而,可以应用于宝鸡市区地下水位动态预报。     

改进BP神经网络在地下水环境质量评价中的应用

以LM算法和步长自适应法对BP神经网络进行改进,并将输入数据采用压缩系数法进行处理, 用改进后的BP神经网络对黄河流域某地区地下水环境质量进行评价,并和内梅罗指数法、灰色聚类法评价结果相比较,结果表明改进后的BP神经网络计算速度快、评价精度高、结果客观准确。