山区流域RBF神经网络洪水预报方法

建立以高斯核函数为径向基函数的神经网络模型,以崇阳溪山区流域为例进行分析。利用泰森多边形法将流域划分为6个子流域;选取流域1997—2014年中15场洪水过程作为训练样本,以流域内6个雨量站各时段雨量资料和武夷山水文站前期流量过程作为输入,以流域出口断面武夷山水文站相应流量过程作为输出,运用自组织正交最小二乘法确定径向基函数的中心,采用伪逆规则求解其权值,建立RBF神经网络洪水预报模型;利用余下的6场洪水过程对模型进行检验。结果表明:各场次洪水流量过程平均相对误差和洪峰流量相对误差绝大部分在10%以内,确定性系数均大于0.9,预报精度符合要求,可以为防汛部门预测洪水提供依据。     

基于弹性梯度下降算法的BP神经网络降雨径流预报模型

运用反向传播(back propagation, BP)的改进算法弹性梯度下降算法,选择崇阳溪上游流域1997—2014年的14场降雨径流过程,以流域内洋庄、吴边、大安、坑口、岭阳、岚谷6个雨量站的实测降雨量和武夷山水文站的前期流量资料为输入,武夷山水文站相应流量为输出,建立弹性梯度下降算法的BP神经网络降雨径流预报模型,采用7场降雨径流过程对模型进行检验。结果表明,与传统的反向传播算法相比,该模型所需的参数较少,运算速度显著提高,模型的预报精度满足要求,可以为防汛部门预测洪水提供依据。     

基于信息熵误差异分布模型的洪水概率预报方法

以大渡河流域大金站为对象,开展了基于信息熵误差异分布模型的洪水概率预报方法研究。挖掘了确定性水文模型预报的相对误差的统计规律,发现不同量级流量下洪水预报的相对误差存在异分布特征,服从不同的概率分布函数。基于极大熵和极小熵原则确定不同流量量级下预报相对误差的最优概率分布函数,进而采用不同的误差分布函数描述不同流量量级下的预报误差规律,并推导了以确定性模型预报值为条件的"真实"流量的分量级条件概率分布函数。根据不同量级对应的条件概率分布函数,可获得概率预报倾向值(如中位数预报)及任意置信度下的概率预报区间(如90%预报区间)。大金站的应用结果表明,概率预报模型提供的预报倾向值(中位数预报值)整体要优于原始的确定性模型预报值,同时概率预报模型提供的90%置信度下的预报区间可以涵盖绝大部分实测值,具有较高的可靠性。     

瓦斯涌出量的人工神经网络预测的研究

基于反向传播神经网络、径向基函数神经网络和广义回归神经网络对采煤工作面瓦斯涌出量进行预测,比较和分析了瓦斯涌出量的预测值和实测值,并选定精度评价体系对预测结果进行评定。结果表明:反向传播神经网络、广义回归神经网络和径向基函数神经网络都能够较好的预测瓦斯涌出量,其中径向基函数神经网络的预测更精准。径向基函数神经网络的后验差检验比值c=0.07,小误差概率P=1.0,预测误差精度达到1级。     

基于GA-RBF神经网络的电力系统短期负荷预测

针对短期负荷预测问题,提出了一种遗传算法-径向基函数(GA-RBF)神经网络负荷预测方法,解决传统径向基函数(RBF)神经网络预测中难以确定最佳隐藏层数问题,以提高预测的准确性。首先分析了GA算法模型和RBF神经网络模型;然后利用GA算法与RBF模型结合得到GA-RBF负荷预测模型;最后利用仿真工具对所建模型进行训练和预测。结果表明,与传统方法相比,其平均绝对百分误差值降低了4. 7%,证明了该方法的精确性和有效性。     

径向基函数人工神经网络预测污水处理厂出水水质

根据人工神经网络的理论和方法，建立了径向基函数神经网络模型．用镇江市征润州污水处理厂的实测数据进行模型训练和预测水质验证，采用最近邻聚类学习算法选取聚类中心，表明模型有较强非线性处理能力和逼近能力，并具有学习时间短，网络运算速度快，性能稳定等优点．通过模型预测结果和实测值的比较，发现用径向基函数神经网络模型预测污水出水水质，具有预测精度高，使用方便，适应性强等优点，因此可望将其用于污水厂出水水质的预测．     

模糊聚类与径向基网络相结合的短期负荷预测

为了提高电力系统短期负荷预测的准确度,采用模糊聚类分析的方法对已知负荷数据、日类型、温度和天气类型等影响短期负荷预测的相关因素进行聚类分析,选用同类特征数据作为神经网络的输入,对径向基函数神经网络进行训练,得到一组预测值,从而实现电力系统短期负荷预测.实际算例表明模糊聚类分析与径向基函数神经网络相结合的短期负荷预测可以更好的满足实际预测要求,提高预测精度.     

基于BP神经网络的污泥酸性发酵过程预测

为了预测污泥产酸能力及产酸组成,对生物脱氮除磷过程所需的碳源投加量的计算有意义.用两种BP神经网络模型对采用半连续运行方式的污泥酸性发酵过程进行预测.结果表明,8-23-4BP网络除乙酸产率以外,丙酸产率、容积产酸能力、丁酸产率预测值与实测值相关系数都大于0.9,各目标变量预测值与实测值平均相对误差都小于15%;7-22-4BP网络乙酸产率、丙酸产率、丁酸产率、容积产酸能力预测值与实测值相关系数都大于0.9,各目标变量预测值与实测值平均相对误差都小于13%.7-22-4BP模型网络预测性能优于8-23-4BP网络模型.8-23-4BP模型对污泥丙酸产率预测更精确.两种BP神经网络模型可以实现对污泥酸性发酵过程产酸量的预测.实验结果可为污水处理厂污泥酸性发酵的在线控制提供参考.     

神经网络模型在怀洪新河洪水预报中的应用

建立了基于神经网络的洪水预报模型.该模型根据历史洪水样本,将河道预测点上游参考点的水位、流量以及预测点的水位作为神经网络的输入,预测点的流量作为神经网络的输出.采用BP算法训练网络,并将训练成功的洪水预报神经网络模型分别按8,16,24 h等预见期对新胡洼闸、西坝口闸水位进行预报,取得了较高的预报精度,验证了模型的有效性.     

一种免疫径向基网络多用户检测方法

径向基函数神经网络是一种具有局部逼近能力的前向神经网络模型,它可用作码分多址中的多用户检测器,并具有较好的检测性能;但是存在不足,主要表现在网络的构造和训练算法的优化方面．针对径向基函数网络在码分多址多用户检测应用中存在的网络复杂度与性能之间的矛盾,引入免疫的思想,构造了一种新颖的免疫径向基函数网络多用户检测器．它具有收敛速度快、推广能力好、鲁棒性强等优点,因而有更好的实时性和实用性．     

基于聚类分析的人工神经网络洪水预报模型研究

应用模糊C均值(FCM)和自组织映射网络(SOM)两种方法将洪水流量过程线进行分解,并聚成不同的类别,结合多层前馈神经网络(MFN)建立了两个综合神经网络模型(FCMMFN和SOMMFN),进行洪水预报。在王家厂水库流域洪水预报的应用结果表明,两种聚类方法能够将流量过程分解为具有不同内在规律的若干过程,两种综合神经网络模型预报精度均优于单一的多层前馈网络模型,而且FCMMFN的精度高于SOMMFN。     

动态模糊神经网络在变形预测中的应用

为了得到更好的桥梁墩台沉降变形预测精度,减少工程监测实践的误差,分别介绍了基于扩展径向基函数神经网络（RBFNN）与动态模糊神经网络（DFNN）的学习算法和参数的确定方法。选取某一桥梁沉降监测数据分别进行基于扩展径向基函数神经网络与动态模糊神经网络的自适应学习训练,进行桥梁墩台沉降变形预测。实例分析结果表明,径向基函数神经网络预测误差达到0.15 mm,而动态模糊神经网络预测误差达到0.07 mm,显然动态模糊神经网络具有更高的预测精度,从而证实了动态模糊技术与神经网络相结合的自适应学习训练过程的优越性。     

基于小波神经网络的水文时间序列预测

复杂时间序列预测是时间序列分析的主要研究内容之一,已成为一个具有重要理论和实际应用价值的热点研究领域。基于小波和神经网络组合模型,提出一种多因子小波预测模型以提高水文时间序列的预测精度。并根据不同小波函数对水文时间序列数据的适应性,提出了一种基于加权相关系数的小波函数选择准则。以国家重要水文站淮河王家坝站汛期的日流量时间序列预测为例,对各种常用小波函数进行了实验。结果发现选择得到的Haar小波和B3 spline小波函数预测精度较高,从而验证了小波函数选取准则的有效性;通过和传统单序列小波神经网络模型比较,发现提出的多因子小波神经网络模型的预测合格率在不同预见期均提高了10％以上,并且对洪水高流量方向预测合格率提高了15％。     

不同水文模型在金溪流域的模拟与适应性研究

应用概念性新安江模型、水箱模型以及半分布式的TOPMODEL模拟了金溪流域的水文过程,并比较了3种模型对日径流过程和场次洪水过程的模拟结果与精度。结果表明:各模型模拟1992—1993年日径流过程的Nash效率系数都大于0.7,净雨深相对误差都小于15%,说明各模型都能较好地模拟该流域的日径流过程,新安江模型和水箱模型的模拟精度较TOPMODEL的略好。选择两场洪水,比较3种流域水文模型模拟场次洪水过程的精度,发现3种流域水文模型模拟的洪水过程与实测过程总体上相贴近,且单峰洪水模拟结果相对多峰较好,洪量和洪峰的相对误差都小于20%,满足洪水预报精度要求。3种模型在金溪流域日径流过程和场次洪水过程模拟中的结果表明,水箱模型和新安江模型的表现略优于TOPMODEL的。     

基于RBF神经网络的短期电力负荷预测

研究了天气和特殊事件对电力负荷的影响,建立了结合径向基函数神经网络来进行短期负荷预测的模型。将温度、降雨量运用于径向基函数神经网络中,提高了训练的可信度和可靠性。利用该模型编排的实用化软件投入到了实际应用中。结果表明:该方法具有较高的预测精度和较强的实用性。     

晶体振荡器老化预测的径向基函数神经网络法

建立了预测石英晶体振荡器老化的一种径向基函数神经网络模型,这种人工神经网络由输入层和输出层组成,输入层由计算径向距离范数的非线性神经元组成,输出层由一个计算径向基函数的神经元组成.提出了确定规格化径向距离尺度因子的一种方法,并在此基础上导出了一种径向基函数神经网络的学习算法,这种算法具有计算形式简单和易于实现的优点,适合于用加速老化法和外推法进行石英晶体振荡器老化预测的实验数据处理.     

基于径向基函数神经网络偏差补偿的预测函数控制

基于线性模型设计预测函数控制器，用径向基函数神经网络（RBFNN）来补偿由系统的非线性和外界干扰引起的预测误差，从而实现非线性系统的自适应预测函数控制。将该控制算法用于pH中和滴定过程，仿真实验表明该算法计算量小，控制效果好。     

新安江模型在资水流域的应用

选取资水流域新宁水文站以上集水面积为研究区域,基于空间分辨率为30 s的数字高程模型数据,构建数字流域水系,进行子流域划分,生成流域水系拓扑关系。在资水流域新宁站控制面积上,应用新安江模型,选取1980～1985年作为模型的率定期,2001～2003年作为模型的验证期,进行日径流过程模拟;选取12场洪水作为率定场次洪水,6场洪水作为验证场次洪水,进行次洪径流过程模拟。从实际模拟的总体效果看,该流域与新安江模型模拟效果较好。     

一种电力系统短期负荷预测的RBF优化算法

针对径向基函数网络在电力系统短期负荷预测中的应用，将神经网络训练的冲量改进算法运用到径向基函数网络的训练中，提高了训练收敛速度和精度，详细介绍了短期负荷预测的建模过程，实验表明该优化算法能有效改善预测性能。     

基于径向基函数网络的经济时序预测模型

介绍了径向基函数(RBF)神经网络的结构和特点。给出了其在经济时间序列预测中的应用，较为系统地阐述了RBF神经网络在经济预测中应用的步骤和过程。与BP模型相比该模型在预测精度和收敛速度方面具有显著的优点。