排序方式: 共有7条查询结果,搜索用时 46 毫秒
1
1.
2.
3.
4.
为提高水库中长期径流预测的精度和可靠性,更好地发挥水资源综合利用的效益,提出了结合小波分解预处理的支持向量机预测模型(SVM-WDP)。该模型将包含复杂信息和随机噪声的径流过程分解为不同频率、不同特征的子序列,再分别针对各子序列运用PSO参数优化支持向量机模型进行预测,最后将子序列预测结果重组为最终预测径流。以淮河流域梅山水库1959—2014年径流过程为研究对象进行预测,结果表明:SVM-WDP模型所得结果的合格率为85%,达到水文预报甲等标准;与单独使用支持向量机模型相比,SVM-WDP模型拟合阶段RMSD由14.98降低至7.76,预测阶段RMSD由6.85降低至5.54,模型的预测性能均大幅度提高。该模型为中长期年径流预测提供了有效的方法和思路。 相似文献
5.
6.
7.
针对地下水位与其影响因素之间存在非线性映射关系的特点,提出了基于SPA方法筛选地下水埋深时空自变量、再基于遗传算法优化BP神经网络进行地下水埋深预测的SPA-GA-BPNN模型。将该模型应用于安徽省蒙城县地下水埋深的预测中,并与全变量-LR、全变量-BPNN、全变量-GA-BPNN、SPA-LR和SPA-BPNN共5种模型进行对比。结果表明:SPA-GA-BPNN模型预测误差的MPAE值为0.088,MSE值为0.068,NSE值为0.848,误差指标均优于5种对比模型,在泛化性和稳定性方面也有显著优势。基于SPA方法筛选自变量,避免了自变量选取的主观性,且在理论上优于相关系数法,同时,遗传算法对神经网络的预测性能起到了显著的改进作用,可为地下水埋深变化过程的影响因素识别及预测提供可靠、有效的参考依据。 相似文献
1