改进证据理论融合灰色神经网络的水质预测

针对水质预测过程中样本数据少的特点,引入了改进证据理论和灰色神经网络相结合的组合预测方法。首先利用灰色神经网络作为单一模型对水质进行初步预测,再用神经网络对预测结果进行分析建模,得到每个单一预测模型的可信度,最后采用改进证据理论进行融合决策,以获得各单一预测模型的权重,从而实现了水质的组合预测。实例分析结果表明,该方法拟合误差小、预测精度高。     

证据理论融合蚁群神经网络的水质预测方法

为了提高水质指标预测的精度,提出了证据理论和蚁群神经网络相结合的组合预测方法。用蚁群神经网络作为单一模型对水质指标进行预测,再由BP、RBF网络对预测误差进行分析建模,获取每个模型的可信度。利用证据理论获取单一模型的权值,实现水质指标的组合预测。该方法克服了常规BP算法收敛速度慢、易陷入局部极值的缺陷,能有效提高预测精度。     

基于分类修正的水闸健康诊断证据融合模型研究

针对利用D-S证据理论进行水闸健康诊断时可能遇到的证据高冲突问题,采用参数"证据可信度"和"证据虚假度",对原始证据源进行分类,只对冲突程度较高的证据类别进行修正,提出了一种适用于高冲突证据融合的改进合成算法,建立了基于分类修正的水闸健康诊断证据融合模型。工程实例表明,该方法收敛速度更快,聚焦程度更高,且明显降低了健康诊断的决策难度。     

用动态规划神经网络模型研究多水库系统的水量分配(下)

为了分析多水库系统中两座水库之间灌溉用水的分配问题，建立了基到动态规划的神经网络模型。为了研究从一座上游水库取水在下游两座之库之间进行水量分配的问题，提出了3个状态变量和4个决策变量的改进的动态规划算法。采用神经网络模型，用3个状态变量动态规划算法得出调度原则，就所研究的多水库系统实例来说，新的动态规划神经网络模型的性能很好，将该模型的性能与临时凑合的标准调度原则和以前推荐使用的约束动态规划神经网络模型进行了比较。     

基于神经网络与改进D-S证据理论的水质评价模型研究

针对水质监测数据多源、非线性、不确定性大的特点，提出了一种基于神经网络与改进D-S证据理论相结合的水质评价模型。该模型首先利用3种前馈神经网络对水质监测数据进行初步评价，将初步评价结果归一化后作为基本概率分配，然后引入证据权重修正冲突证据，根据D-S合成规则得到融合评价结果，最后利用迭代思想修正评价结果。其中，基于证据权重修正冲突证据并进行融合结果的迭代修正，能有效解决传统D-S证据理论无法处理高冲突证据的缺陷。冀南地区5个监测断面水质评价结果表明，该水质评价模型能够提高水质评价准确性。     

用动态规划神经网络模型研究多水库系统的水量分配(上)

为了分析多水库系统中两座水库之间灌溉用水的分配问题，建立了基于动态规划的神经网络模型。为了研究从一座上游水库取水在下游两座水库之间进行水量分配的问题，提出了3个状态变量和4个决策变量的改进的动态规划算法。采用神经网络模型，用3个状态变量动态规划算法得出调度原则。就所研究的多水库系统实例来说，新的动态规划神经网络模型的性能很好，将该模型的性能与临时凑合的标准调度原则和以前推荐使用的约束动态规划神经网络模型进行了比较。     

基于 C4．5决策树算法的土质边坡稳定性评价研究

采用神经网络进行土质边坡稳定性评价时，差异性较大的训练样本往往会使评价结果不太理想。针对这一问题引入 C4．5决策树算法，采用多个土质边坡工程的实测数据，运用信息增益率进行分类属性的选择，并对建立好的树体结构进行剪枝操作，建立基于决策树的土质边坡稳定性评价模型。将该模型与 BP 神经网络和 LVQ （Learning Vector Quantization，学习向量量化）神经网络进行对比分析，结果显示决策树模型分类正确率最高，达到90％，模型所用时间为2．24 s，表明把决策树用于土质边坡稳定性评价是合理的。     

基于PCA-BPNN的膨胀土自由膨胀率预测

为了准确地对膨胀土进行分类,将主成分分析方法（PCA）和BP神经网络方法（BPNN）相结合,进行膨胀土自由膨胀率预测研究。首先,对影响自由膨胀率的几个物性指标数据进行主成分分析,得到主成分数据序列;然后,根据主成分数据序列建立输入样本并应用BP神经网络进行训练,得到PCA-BPNN预测结果,从而预测自由膨胀率。采用南阳膨胀土数据进行实例分析,结果表明,该模型比单一BP神经网络预测方法的效果更好。     

多组群教学优化算法-神经网络-支持向量机组合模型在径流预测中的应用

采用5个标准测试函数对多组群教学优化(MGTLO)算法进行仿真验证,并将仿真结果与基本教学优化(TLBO)算法、混合蛙跳算法(SFLA)、差分进化(DE)算法和粒子群优化(PSO)算法的仿真结果进行对比。利用MGTLO算法搜寻基于广义回归神经网络(GRNN)、径向基神经网络(RBF)、支持向量机(SVM)模型单元的组合模型的最佳模型参数和组合权重系数,提出MGTLO-GRNN-RBF、MGTLO-GRNN-SVM、MGTLO-RBF-SVM、MGTLO-GRNN-RBF-SVM 4种组合预测模型,以新疆伊犁河雅马渡水文站和云南省某水文站年径流量预测为例进行了实例分析,并将预测结果与MGTLO-GRNN、MGTLO-RBF、MGTLO-SVM和GRNN、RBF、SVM 6种单一模型的结果进行对比分析。结果表明:MGTLO算法寻优精度优于TLBO、SFLA、DE和PSO算法,具有较好的收敛速度和全局极值寻优能力;组合模型融合了MGTLO算法与GRNN、RBF、SVM模型单元的优点,在预测精度、泛化能力等方面均优于单一模型;MGTLO算法能有效优化各组合模型的相关参数和权重系数,MGTLO-GRNN-RBF-SVM模型预测精度最高。     

基于粒子群神经网络的凌汛开河日期预测研究

为了更准确地预测凌汛开河日期,提出用粒子群算法和BP神经网络相结合的粒子群神经网络模型。介绍了模型的设计和算法实现的流程。该模型通过粒子群算法对BP神经网络初始的权值和阈值进行优化,并以黄河内蒙段三湖河口站作为研究实例进行冰凌开河日期预测。结果表明,经粒子群优化后的BP神经网络预测精度比遗传神经网络和单一BP神经网络更高。     

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。     

BP 网络用于水文预测的几个问题探讨

近年来人工神经网络（ＡＮＮ）在水文分析和水文预测中的应用越来越广泛，然而应用人工神经网络的ＢＰ模型进行水文预测却存在网络结构的确定、收敛准则的选择、训练速度较慢和预测精度等问题，本文通过两个实例发现训练样本的复杂性对ＢＰ网络结构有较大影响，讨论了收敛准则选择的问题，给出加快训练速度的几项改进措施，实例表明ＢＰ网络是一种精度较高的水文预测模型．     

一种基于PCA和ANN的土壤水力性质估计方法

本文根据土壤基本性质,利用主成分分析和人工神经网络相结合的方法（PANN）构建了预测田间持水量和凋萎系数的土壤转换函数,并将其结果与传统的神经网络模型（ANN）进行了比较。结果表明,由于PANN 消除了神经网络输入层参数的相关性,降低了网络拓扑的复杂度,从而具有更好的预测能力。     

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。     

Neural Network Based Decision Support Model for Optimal Reservoir Operation

A decision support model (DSM) has been developed using the artificial neural networks (ANN) for optimal operation of a reservoir in south India. The DSM developed is a combination of a rule based expert system and ANN models, which are trained using the results from deterministic single reservoir optimisation algorithm. The developed DSM is also flexible to use multiple linear regression equations instead of trained neural network models for different time periods. A new approach is tried with the DSM based on trained neural network models, which use real time data of previous time periods for deciding operating policies. The developed DSM based on ANN outperforms the regression based approach.     

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     

A Comparative Study of Various Hybrid Wavelet Feedforward Neural Network Models for Runoff Forecasting

Considering network topologies and structures of the artificial neural network (ANN) used in the field of hydrology, one can categorize them into two different generic types: feedforward and feedback (recurrent) networks. Different types of feedforward and recurrent ANNs are available, but multilayer perceptron type of feedforward ANN is most commonly used in hydrology for the development of wavelet coupled neural network (WNN) models. This study is conducted to compare performance of the various wavelet based feedforward artificial neural network (ANN) models. The feedforward ANN types used in the study include the multilayer perceptron neural network (MLPNN), generalized feedforward neural network (GFFNN), radial basis function neural network (RBFNN), modular neural network (MNN) and neuro-fuzzy neural network (NFNN) models. The rainfall-runoff data of four catchments located in different hydro-climatic regions of the world is used in the study. The discrete wavelet transformation (DWT) is used in the present study to decompose input rainfall data using db8 wavelet function. A total of 220 models are developed in this study to evaluate the performance of various feedforward neural network models. Performance of the developed WNN models is compared with their counterpart simple models developed without applying wavelet transformation (WT). The results of the study are further compared with - multiple linear regression (MLR) model which suggest that the WNN models outperformed their counterpart simple models. The hybrid wavelet models developed using MLPNN, the GFFNN and the MNN models performed best among the six selected data driven models explored in the study. Moreover, performance of the three best models is found to be similar and thus the hybrid wavelet GFFNN and the MNN models can be considered as an alternative to the most commonly used hybrid WNN models developed using MLPNN. The study further reveals that the wavelet coupled models outperformed their counterpart simple models only with the parsimonious input vector.     

多元线性回归与BP神经网络模型在次洪量预测中的对比研究

针对半干旱地区次洪量预测问题,选取岔巴沟流域曹坪水文站1980-2010年中15场洪水资料,根据实测次暴雨、洪量资料,考虑淤地坝控制面积、次暴雨量、暴雨中心位置、前期影响雨量等因子,利用SPSS及MATLAB软件,建立用以预测次洪量的多元线性回归模型和BP神经网络模型。模型预测结果比较表明:多元线性回归模型和BP神经网络模型都能较好地应用于次洪量的预测,进一步得出BP神经网络模型的预测效果优于多元线性回归模型。研究结果可为淤地坝的安全度汛提供决策依据。     

深基坑支护结构位移的神经网络预测

针对深基坑系统的复杂性和变形非线性,将人工神经网络技术引入其中。在分析讨论了人工神经网络中应用最为广泛的BP网络基本原理的基础上,建立了基坑变形预测的神经网络模型,并应用Bayesian方法对实例加以论证。研究表明,神经网络是解决基坑变形预测的有效方法之一。     

River Flow Forecasting using Recurrent Neural Networks

Forecasting a hydrologic time series has been one of the most complicated tasks owing to the wide range of data, the uncertainties in the parameters influencing the time series and also due to the non availability of adequate data. Recently, Artificial Neural Networks (ANNs) have become quite popular in time series forecasting in various fields. This paper demonstrates the use of ANNs to forecast monthly river flows. Two different networks, namely the feed forward network and the recurrent neural network, have been chosen. The feed forward network is trained using the conventional back propagation algorithm with many improvements and the recurrent neural network is trained using the method of ordered partial derivatives. The selection of architecture and the training procedure for both the networks are presented. The selected ANN models were used to train and forecast the monthly flows of a river in India, with a catchment area of 5189 km² up to the gauging site. The trained networks are used for both single step ahead and multiple step ahead forecasting. A comparative study of both networks indicates that the recurrent neural networks performed better than the feed forward networks. In addition, the size of the architecture and the training time required were less for the recurrent neural networks. The recurrent neural network gave better results for both single step ahead and multiple step ahead forecasting. Hence recurrent neural networks are recommended as a tool for river flow forecasting.