R/S分析在水库径流丰枯变化趋势预测中的应用

根据水库径流丰枯变化的实测资料,利用R/S分析的原理和方法计算了H指数,建立了R(i)/S(i)与i的关系式,对水库径流的丰枯变化趋势进行了预测分析.结果表明,利用R/S分析进行水库径流丰枯变化趋势预测是一条比较有效的途径.     

灰色人工神经网络模型及其在和田河径流预测中的应用

针对GM(1,1)模型在原始数据变化幅度较大且趋势不明显时,预测效果差的情况,提出了用人工神经网络对GM(1,1)模型的残差系列进行修正的改进模型,并将其应用于和田河径流变化预测中.结果表明,该方法提高了模型精度,为分析和田河径流变化趋势提供了有效的方法.     

年径流预测的自适应NNBR-ANN耦合模型

以基本遗传算法为基础，优化人工神经网络与最近邻耦合模型的基本参数，得到无参数的自适应NNBR-ANN耦合模型。应用此模型对黄河青铜峡年平均流量进行预测，并与单独的人工神经网络模型和最近邻抽样回归模型预测结果进行比较分析。结果表明：此方法将模型的基本参数进行优化处理，打破传统的定参方法，用于径流预测更加方便适用，且预测精度更高。     

灰色自记忆神经网络模型在年径流预测中的应用

径流序列是一种非线性、弱相依高度复杂的动力系统,径流预测还处于探索阶段,提高径流预测精度关键在于对有限样本包含的信息进行充分发掘.采用一种理论和方法很难充分挖掘径流序列所包含的信息.基于组合预测思想,应用灰色理论,自记忆性原理与BP神经网络三种理论与建模方法对年径流序列进行挖掘,在此基础上提出年径流预测的灰色自记忆神经网络模型.结果表明,模型能够很好地反映径流的变化规律与极值趋势,具有较好的拟合与预报精度.     

集对分析法在长江寸滩站年径流预测中的应用

简要介绍了集对分析的原理,阐述了基于集对分析的年径流预测的基本思想和步骤.通过长江寸滩站年径流集对预测实例分析并与模糊优选预测结果进行了对比.研究表明集对分析法具有计算简单、关系结构清晰、预测精度较高的特点,可应用于年径流预测.     

参数投影寻踪回归及其在年径流预测中的应用

首次采用遗传算法优化投影方法,用正交Ｈｅｒｍｉｔｅ多项式拟合岭函数,给出了参数投影寻踪回归新方法及其实现算法,最后将新方法用于年径流实例预测,并与模糊模式识别神经网络模型的预测结果进行了对比,前者以较少的参数获得相对高的精度,另外,新算法使得投影寻踪方法易于在计算机上实现。     

SCS模型在黄土丘陵因子径流场中的应用

因为黄土区中小流域地形地貌复杂,影响径流的水气象资料较难获取,故在无资料地区的小流域设置因子径流场对降雨产流进行预报和计算;利用美国水土保持局提出的降雨SCS计算模型对因子径流场径流量进行了分析计算．结果表明,计算值与实测值拟合效果较好,能够满足同类地区对因子径流场产流量的预报．另外,因子径流场具有资料易于获得,且简便易观测等特点．     

基于WA-GRNN模型的年径流预测

针对传统的中长期水文预测方法由于缺乏对水文要素本身内部结构和变化特性的描述,往往导致建模过程中确定模型结构、参数等存在盲目性,而以往常用预测模型收敛速度较慢、模型结构及参数优化复杂等问题。本文将小波分析（WA）和GRNN神经网络联合使用,建立了中长期水文预测模型：即先应用WA揭示水文序列内部结构及变化特性,从而将原序列分为确定性成分和随机成分两部分,然后利用GRNN神经网络对确定性成分和随机成分分别进行模拟预测,最后将两部分结果叠加作为最终预测值。将该模型用于沱江中上游三皇庙水文站年径流的预测,并与传统方法进行对比。结果显示该模型预测效果较传统方法更好,能有效地揭示序列的时频结构和变化特性,对于生产应用具有较强的实际意义。     

支持向量机及其在径流预测中的应用

给出了支持向量机方法(SVM)的思路、特点及关键之处,探讨了SVM在径流预测中的可能性,并与基于遗传算法的门限回归模型(TR) 进行了对比分析。径流预测实例分析表明,在拟合阶段,SVM模型要好于TR模型;在预留检验阶段,SVM模型与TR模型接近。同时SVM模型适合于小样本情况且能达到全局最优。SVM模型用于径流预测是可行的、优越的。     

非平稳时间序列随机模型在年径流量预测中的应用

基于五常站年径流存在周期性趋势和随机性规律,建立了能同时实现这些规律的确定的非平稳随机模型,进行年径流过程随机模拟     

改进型灰色马尔科夫模型在径流预测中的应用

随着径流量预测重要性的凸显,径流预测模型不断涌现.针对单一径流预测的局限性及一般的耦合径流预测精度不高的问题,应用数据加载法提出了GM(1,1)的修正模型,并对模型进行残差修正,提出了改进型的灰色马尔科夫耦合预测模型,进一步提高了径流预测的精度,区间预测成果更具科学性和实用价值,并将预测模型具体应用于三门峡水库入库年径流预测,预测成果可靠度高.     

长短期记忆模型的超级参数调节在径流预测中的效果研究

文章采用机器学习中的长短期记忆模型（LSTM）预测汉江水系部分子流域的径流量,用纳什效率系数来评价预测精度。计算结果表明,LSTM的超级参数对径流量预测效果的影响显著,恰当的超级参数可使纳什效率系数达到0.93以上。在常用的超级参数当中,回溯次数、输入数据的随机舍弃率、数据遍历次数对预测精度的影响较大。这些超级参数在多个子流域的径流预测中有一定的通用性。作为防止过拟合现象的超级参数,输入数据随机舍弃率在径流量预测中宜设置低值,以免漏报洪水,这与通常机器学习中的设置有所不同。     

改进的Elman模型在紫坪铺月径流预测中的应用

Elman递归神经网络具有上下层,将隐藏层前一时刻的输出反馈到当前时刻的输入,这种反馈连接使Elman网络能够检测随时间变化的序列信息; 对Elman进行改进,使之对时间变化序列信息更敏感;利用岷江紫坪铺水文站数十年的天然月径流时间序列,采用改进的Elman递归神经网络对岷江紫坪铺站的天然月径流进行预测分析,并用误差检验和F方差对结果进行检验,表明该模型应用在紫坪铺水文站的月径流预测中是合理、可行的。     

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt （LM）算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.     

灰色神经网络耦合模型在城市需水量预测中的应用

目的为了更准确预测城市用水量,弥补灰色和神经网络预测模型在中长期需水量预测中的不足.方法采用最小方差法建立了灰色新息递补模型和新息递补BP神经网络的耦合模型即灰神经模型,并对城市需水量进行预测.结果预测沈阳市生活需水量,灰神经网络耦合模型的平均相对误差为0.144%;预测沈阳市工业需水量,灰神经网络耦合模型的平均相对误差为0.19%.在模拟精度方面远远高于其他模型的模拟值,提高了预测的准确性.结论提出了用灰色神经模型来预测城市需水量的方法,能更好地预测城市未来需水量,把影响预测的不定因素降到最低限度,具有广泛的实用性.     

电力系统负荷分形预测及R/S分析

电力负荷具有分形市场假说(FMH)的主要特征。根据分形拼贴定理,由分形插值方法求取一个吸引子与电力负荷历史数据相近的迭代函数系统(IFS),以建立分形预测模型,实现电力负荷预测。预测结果表明,该方法不存在收敛问题,数据收集简便,具有较好的实用价值。用电力负荷时间序列 分形分析进一步表明了预测值的合理性。     

多策略融合学习萤火虫算法在年径流预测中的应用

为提高萤火虫算法(FA)的收敛速度和求解精度,提出多策略融合学习萤火虫算法(MSFLFA)。该算法为最优萤火虫引入深度学习策略,开展全局搜索,为非最优萤火虫引入随机吸引模型,开展局部开采,兼顾探索和开采平衡,提升收敛速度和寻优精度双目标。为验证MSFLFA性能,基于经典函数测试集进行仿真测试,实验表明,MSFLFA性能优于FA,VSSFA,WSSFA,MFA,CFA,RaFA和ApFA。为扩展MSFLFA应用领域,融合支持向量回归(SVR),建立MSFLFA-SVR径流预测模型。仿真实验表明,与FA-SVR,WSSFA-SVR,MFA-SVR,RaFA-SVR,BP-ANN-SVR和PPR-SVR模型相比,MSFLFA-SVR预测模型具有更高的预测精度。     

人工神经元网络及其在成本预测中的应用

运用人工神经元网络理论，建立了一种新的成本预测模型，与其它预测方法相比，它具有自学习功能等特点。     

改进NLPM-ANN模型在径流预报中的应用

基于人工神经网络的非线性扰动模型(NLPM-ANN)充分利用了LPM的季节信息处理方法和ANN强大的非线性模拟性能.然而该模型没有考虑流域的前期土壤湿度状态,影响了模型的模拟预报精度.为了将流域的前期土湿加入模型,同时能更加充分利用降水信息,采取一种将LPM与ANN结合起来的联合预报模式.选用8个流域的降雨径流资料,对改进的NLPM-ANN模型与SLM-ANN和NLPM-ANN模型进行比较研究.计算结果表明,改进的NLPM-ANN模型优于SLM-ANN模型和NLPM-ANN,在率定期和检验期的模型效率相对增值指数较NLPM-ANN提高10%左右.