基于粒子群优化的BP网络算法在渭河下游洪水预报中的应用

介绍了BP、粒子群、基于粒子群的BP三种人工神经网络模型,利用基本粒子群优化的BP算法,建立了渭河下游临潼至华县段人工神经网络模型。通过对1980～2005年洪水的率定和检验及对2006～2009年洪水的应用模拟,结果较好。本模型是对该河段洪水预报手段和方法的有益尝试和补充。     

基于神经网络与遗传算法的洪水分类预报研究

针对水文模型参数的不确定性,对洪水进行分类预报,不同类型洪水采用不同预报参数,旨在提高洪水预报精度。基于BP神经网络模型,依据分类因子选取原则,选取6项具有代表性的影响因子作为模型输入,可将洪水划分成高、中、低3类。基于遗传算法,对3类洪水进行参数率定,获得3组不同的参数组,最终利用训练好的分类预报模型实现不同类型洪水的变参数预报。以大伙房水库25场历史典型洪水进行实例验证与分析,结果表明:分类预报结果的洪峰误差、峰现误差、确定性系数及典型洪水过程的拟合效果明显优于分类前。经训练后的基于BP神经网络与遗传算法的洪水分类预报模型可较好适用于大伙房水库,结果更贴合实测值,效果整体上优于分类前,方法可行、有效。     

基于遗传算法的模糊优选BP网络模型及其应用

在模糊优选BP神经网络模型的基础上，引入遗传算法，提出融入遗传算法的模糊优选神经网络预测模型，是对模糊优选BP神经网络模型的进一步发展。其基本思路是：在BP算法训练网络出现收敛速度缓慢时启用遗传算法优化网络的运行参数，把优化的结果作为BP算法的初始值再用BP算法训练网络，这样交替运行BP算法和遗传算法，直到达到问题要求的精度。在新疆雅马渡站年径流量的预报中，预测模型在预报精度和算法的收敛速度方面都达到了较好的效果。     

基于神经网络的小型水库洪水预报研究

针对经验预测方法精度不高,传统水文模型应用至小型水库进行洪水预报工作量大、推广较难的问题,引入具有强大特征学习能力的人工神经网络(ANN)方法,结合遗传算法(GA)寻参,对小型水库进行洪水预报。利用GA实现ANN中时间步长和隐含层神经元节点参数自动寻优,可避免寻参盲目性,针对性地为各小型水库构建个性化洪水预报模型。通过构建反向传播(BP)、长短期记忆(LSTM)、门控循环单元(GRU)神经网络洪水预报模型,对实测洪水过程进行模拟对比试验。结果表明：LSTM模型预报精度高、稳定性良好,能学习并模拟实际洪水过程水位变化规律,预报性能优于BP和GRU模型。     

基于遗传算法优化的小波神经网络在中长期水文预报中的应用——以三门峡为例

造成中长期水文预报研究和预报困难的主要原因是水文现象本身的复杂性和不确定性,以及内部复杂的非线性关系,针对这些问题,本文建立了一种小波神经网络时间序列模型,并用遗传算法对小波神经网络的连接权值和伸缩变量、平移变量进行优化。使用这种模型对黄河三门峡站逐年月天然流量进行预报检验,并将检验结果与传统的小波神经网络和BP神经网络进行对比,从模型预报精度、趋势性和稳定性3个方面进行分析,分析发现,这种遗传算法优化的小波神经网络时间序列模型能够有效地克服传统的小波神经网络和BP网络容易陷入局部极小的缺陷,能够对水文现象的趋势性作出较精确的预测,具有良好的预报精度和稳定性。     

基于BP神经网络和遗传算法的丰满水库洪水预报模型研究

根据丰满水库的流域特性,尝试使用BP神经网络模型进行洪水预报。针对随机生成网络权重的盲目性,采用遗传算法进行初始权重优化。通过历史洪水检验,证实此模型在丰满水库的洪水预报中有很高的预报精度和应用价值。     

基于遗传神经网络的河流冰凌预报

在分析影响凌汛成因因素的基础上,选取合适的预报因子,建立了基于遗传算法(GA)和Levenberg-Marquardt BP网络(LMBP)相结合的冰凌预报神经网络模型.GA-LMBP算法先通过遗传学习算法进行全局训练,再用LMBP算法进行精确训练,克服了传统BP算法收敛速度慢、易陷入局部极小等缺陷.把该模型应用到松花江依兰、佳木斯段开河预报中,取得了良好的效果.     

基于人工鱼群算法的冰情预报神经网络模型

在分析凌汛成因的基础上选取合适的预报因子,针对BP神经网络收敛速度慢、易陷入局部极小值的缺点,利用改进的人工鱼群算法训练BP神经网络,以黄河宁蒙河段封开河日期数据进行建模,给出了人工鱼群算法训练神经网络的基本原理和步骤,并对人工鱼群算法神经网络模型、遗传算法神经网络模型、粒子群神经网络模型的预测结果进行了对比分析。结果表明:人工鱼群算法神经网络模型对黄河内蒙古段凌汛期的封开河日期预测比较准确,预测结果优于遗传算法神经网络模型和粒子群神经网络模型。     

基于MIV的遗传神经网络径流预报模型

针对中长期水文预报中预报对象与预报因子之间复杂的非线性关系,引入平均影响值对预报因子进行筛选,选出对头道拐站年径流量影响较大的年降水量、年均相对湿度、年均气压3个因子作为神经网络的自变量,利用遗传算法优化的BP神经网络建立了预报模型。预报结果表明:基于平均影响值的遗传神经网络的预报精度及稳定性均达到了满意的效果。     

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。