基于概率神经网络的文山州水资源配置合理性评价分析

通过分析概率神经网络(以下称PNN)的基本结构及其训练算法,依据水资源丰沛区水资源合理配置评价指标标准,建立PNN水资源合理配置评价模型,对文山州不同规划水平年水资源配置的合理性进行综合评价。结果表明：①不同规划水平年各评价区域水资源配置评价为3~7级,即处于基本合理与合理之间,基本反映了文山州现状及中、长期水资源配置状况,符合区域发展现状,说明研究建立的PNN评价模型和评价方法是合理可行的。②概率神经网络模型在分类精度上优于误差反向传播神经网络模型,且方法简单可行,运算时间短,不存在局部最优值,能够有效实现对水资源配置合理性的综合评价,是一种可以运用的区域水资源配置合理性评价方法。     

RBF与GRNN神经网络模型在城市需水预测中的应用

针对需水量预测具有受诸多因素影响的复杂、高维和非线性等特性,本文基于RBF与GRNN神经网络算法原理,构建RBF与GRNN神经网络需水预测模型,将模型应用于城市需水预测中,并与基本BP神经网络模型以及灰色GM(1,1)需水预测模型的拟合、预测结果进行了对比分析.结果表明:①RBF与GRNN神经网络模型有着较高的拟合、预测精度,平均相对误差均在5％以内,表明研究建立的RBF与GRNN神经网络模型应用于需水预测是合理可行的,模型泛化能力强,预测精度高,算法稳定,与基本BP网络算法相比,RBF与GRNN网络模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点,可以更快地预测网络,有着良好的应用前景.②相对而言,RBF与GRNN神经网络模型预测精度要优于基本BP网络和灰色GM(1,1)模型.