RBF神经网络在大坝应变预报中的应用

BP网络存在算法收敛速度慢和易陷入局部极小问题。构建某坝应变数据的RBF神经网络,并进行了预测,通过对比表明,径向基函数网络(RBF)的逼近能力和学习速度等均优于BP网络,RBF网络法的拟合误差和预测误差均比BP模型小很多。     

基于遗传算法的BP神经网络模型在地下水埋深预测中的应用——以蒙城县为例

地下水系统是一个高度复杂系统,针对地下水位与其影响因素之间的非线性映射关系,建立遗传算法优化BP神经网络浅层地下水埋深模型,对地下水埋深进行模拟和预测。使用RMSE、MAPE和NSE三种评价指标,将所得结果与BP神经网络和逐步回归模型进行对比。以蒙城县1974—1999年前期降雨量、前期地下水埋深和利辛县前期地下水埋深作为输入层,以当月地下水埋深作为输出层,将蒙城县2000—2010年地下水埋深作为检验样本,计算结果表明:遗传算法优化BP神经网络模型训练阶段和测试阶段RMSE分别为0.22和0.34、MAPE分别为7.6%和9.21%、NSE分别为0.89和0.85,泛化性能良好,有效规避了过拟合现象,且拟合和预测的精度较高。该模型可为地下水研究提供了一种有效浅层地下水埋深的预测方法,具有较好的应用前景。     

基于BP神经网络和RBF神经网络的砂土基础液化判别

结合河北唐山地区土样样本,以地下水位埋深(hw)、地下水头(h)、标准贯入锤击数(N63.5)、土的动强度(R)及地震力(L)为评价指标建立了BP神经网络和RBF神经网络的预测模型。通过实例结果比较分析,表明RBF神经网络和BP神经网络判断砂土液化的精度都较高,但对于用埋深hs,地下水位深度h,标准贯入锤击数N63.5,土的动强度R和地震力L作为参数指标时,RBF神经网络在砂土液化的判别方面优于BP神经网络。通过对金坛石桥枢纽进行建模预测,进一步证明了以上结论,并说明了BP神经网络和RBF神经网络对于砂土基础液化的预测是普遍适用的。     

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.     

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。     

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。     

基于RBF神经网络的工业取水量预测研究

介绍了径向基函数（RBF）神经网络的结构、原理和训练算法。以某市为研究对象,建立了RBF神经网络工业取水量预测模型,采用最近邻聚类学习算法确定径向基函数的宽度、聚类中心和权值。结果表明：RBF模型具有较强的非线性处理能力和逼近能力,且结构简洁、学习速度快、预测精度高,泛化能力强,克服了BP神经网络学习过程收敛过分依赖于初值和可能出现局部收敛的缺陷。     

基于人工智能方法的隧道塌方风险预测研究

为了对隧道塌方风险展开研究,整理246起隧道塌方事故案例,通过建立塌方风险评估指标体系,基于人工智能预测方法,分别采用随机森林算法、径向基函数神经网络、BP神经网络模型、粒子群算法优化BP神经网络模型,对塌方风险进行预测。结果表明,随机森林算法、径向基函数神经网络、BP神经网络模型、粒子群算法优化BP神经网络模型的塌方预测准确率分别为81.67%、83.33%、86.67%、93.33%,F₁值分别为0.645、0.642、0.5、0.833。粒子群算法优化BP神经网络模型预测准确率和F₁值均大幅提高,预测效果最好,大大减少了评估结果的主观性,为隧道塌方风险研究提供了新的研究思路。     

基于RBF神经网络的农田土壤含盐量预测

介绍了径向基函数（RBF）神经网络的原理、训练算法,建立的径向基函数神经网络农田土壤含盐量预测模型具有较强的非线性处理能力和逼近能力,使用实际观测数据进行计算,模型运算速度快、性能稳定、预测结果精度较高、泛化能力强。     

基于互信息与神经网络的天山西部山区融雪径流中长期水文预报

为提高天山西部山区融雪径流的预报精度,更好地指导所在区域的工农业生产发展,针对影响预报精度的关键问题(预报因子的选择),基于互信息法、相关系数法、主成分分析法对研究区的预报因子进行优选,采用RBF神经网络以及组合小波BP神经网络模型进行径流预报研究,并进行不同方案的比较。结果表明:①互信息法优选出的预报因子作为模型输入可以提高预报精度;②采用不同优选预报因子作为RBF神经网络以及组合小波BP神经网络模型的输入变量,结果表明RBF神经网络模型的预测精度要好于组合小波BP神经网络模型;③以相对误差作为评价模型精确度的标准,预测效果最好的是基于互信息方法挑选出的预报因子作为RBF神经模型输入数据的模型预测结果。     

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PCA-RBF神经网络的混凝土坝位移趋势性预测模型

为了提高混凝土坝位移趋势的预测精度,提出了一种基于主成分分析(PCA)和径向基(RBF)神经网络的混凝土坝位移趋势性预测模型(PCA-RBF)。首先,利用主成分分析,将混凝土坝多测点的径向位移监测数据降维,消除影响分量数据集的多重相关性,分别提取出主元位移和主元影响分量。然后,把主元位移和主元影响分量输入径向基神经网络并构建模型,对提取出的主元位移进行预测。最后,将本法应用于某混凝土坝,结果表明,PCA-RBF模型的均方根误差(RMSE),平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别为2.037 8 mm,1.698 6 mm和3.32%,显著低于传统的多元回归统计模型、径向基神经网络模型(RBF)和利用经主成分分析进行因子处理的BP神经网络模型(PCA-BP),说明PCA-RBF模型有着良好的预测精度。     

基于RBF神经网络的河川年径流量预测

文章以新疆开都河年径流量为研究对象,选用能够模拟输入与输出层非线性关系的径向基函数(radial basis function,RBF)神经网络,构建了河流年径流量预测模型。研究结果表明:通过自相关系数法,选用河流自身前1~5 a径流量作为输入层,当前年径流量作为输出层,利用Matlab软件建立RBF神经网络模型,预测开都河2008—2012年径流量,预测值最小相对误差为3.22%,最大相对误差为7.61%,平均相对误差为5.19%,相关系数为0.863;通过对预测样本实测值与模拟值进行经典统计学分析,2组数据间无显著性差异。这说明RBF人工神经网络模型用于模拟预测河川年径流量是可行的。     

基于EEMD的区域地下水埋深PSO-ELM预测模型

针对区域地下水埋深时间序列预测问题,本文将集合经验模态分解(EEMD)、粒子群算法(PSO)和极限学习机(ELM)组合,构建了EEMD-PSO-ELM地下水埋深预测模型。选用黑龙江省三江平原友谊农场地下水埋深的时间序列数据,首先利用EEMD将地下水埋深时序数据分解成若干个IMF分量,根据各分量均值将IMF分量分组叠加为高频部分、低频部分和余项;然后针对3个新序列分别构建不同的PSO-ELM模型,进而得到3组预测值,最后将预测值叠加就得到原始地下水埋深序列的最终预测值。通过精度检验发现,该组合预测模型预测效果很好;与径向基网络(radial basis function neural network,RBF)、PSO-ELM模型和ELM模型对比分析,实验结果表明,EEMD和PSO均能有效改善ELM神经网络的预测精度,ELM神经网络在区域地下水埋深预测方面有很大的应用前景。     

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。     

泰安市地下水动态研究

采用泰安市1998—2008年的地下水观测资料,对泰安市地下水的动态变化、影响因素进行分析,在此基础上建立了地下水埋深与降水量、地下水开采量的二元线性回归模型;运用RBF神经网络以降水量、地下水开采量为输入因子对地下水埋深进行预测。结果表明:预测泰安市2011年地下水埋深为5.5~5.7 m;这两种方法的计算结果相近,均可以对泰安市地下水埋深进行预测。     

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。     

和田绿洲地下水位短期季节性变化趋势预测方法研究

利用塔里木盆地南缘和田绿洲4眼观测井的2001年-2004年逐月实测平均地下水位埋深资料,基于帕森斯季节性指数理论,分别建立了季节性地下水位埋深动态变化预测模型,并进行了趋势预测检验.结果表明:各观测井地下水位帕森斯季节性指数模型拟合差≤0.10 m的月数占总检验月数的比例为66.7%,拟合差≤0.20 m且>0.10 m的月数占总检验月数的比例为29.2%,拟合差>0.25的月数占总检验月数的比例为4%;各观测井预测误差40.10 m的月数占总预报月数的比例为41.7%,预测误差≤0.20 m且>0.10 m的月数占总预报月数的比例为37.5%,预测误差>0.20 m的平均为12%,说明帕森斯季节性指数模型可以对短期和田绿洲地下水位动态趋势进行预测.     

近30年吐鲁番盆地地下水动态特征及影响因素分析

本文利用吐鲁番盆地1987—2017年降水数据,分析了近30年该地区降水年内、年际变化特征,并对降水的趋势性进行了分析。对吐鲁番盆地1988—2016年地下水位埋深数据进行了年内、年际变化特征分析,并运用克里金插值法进行空间插值,得出地下水位埋深分布及变幅。利用pearson相关分析方法分析了影响吐鲁番盆地地下水水位动态的因素。分析结果显示:近30年吐鲁番盆地多年平均降水量为16.5 mm,降水主要集中在6—8月(夏季),夏季降水总量占全年降水的50%以上;降水的年际变化没有明显的趋势性。地下水位埋深在空间上由南向北逐渐增大,南盆地地下水位埋深0～50 m,北盆地埋深在50 m以上。不同地貌区年内地下水位埋深变化呈现出不同形态,整个盆地范围内地下水位埋深逐年增大,近30年吐鲁番盆地地下水位埋深增加了5.5 m。降水和潜水蒸发与地下水位埋深不存在相关性,开采量是影响吐鲁番盆地地下水位埋深的主要因素。     

入库流量中长期预报中几种方法的对比

对回归分析法、BP神经网络、RBF神经网络以及灰色GM(1,1)模型用于水文预报的精度进行了对比研究。结果表明:①BP神经网络与RBF神经网络对实测数据有着较好的逼近能力,且预报精度明显优于其他预报方法;②多元线性回归分析对实测数据的模拟能力和预报精度次于神经网络;③灰色模型对随机现象的模拟和预报很难达到精度要求,其水文预报精度不很理想。