基于云理论的不确定性推理模型在径流预测中的应用

云模型是处理定性概念与定量描述的一种不确定转换模型,在进行不确定性推理过程中,可充分考虑随机与模糊因素。利用云模型理论,建立基于不确定性的水文时间序列预测模型,以新疆和田玉龙喀什河同古孜洛克水文站年径流预测为例,验证云模型具有较好的预测效果。与最小二乘支持向量机(LS_SVM)比较,模型结构简单,易于推广。     

PSO_SVM模型在蒸发预测中的应用

利用支持向量机回归算法（SVM）结合粒子群优化算法（PSO）建立了用于蒸发预测的PSO_SVM模型,用和田地区实测蒸发量对其进行拟合与预测,并与传统的最小二乘支持向量机（LS—SVM）的预测结果进行了对比,结果表明PSO_SVM预测蒸发量的精度要高于LS_SVM,说明该模型可以用于蒸发预测。     

混沌粒子群优化算法在马斯京根模型参数优化中的应用

针对目前马斯京根模型参数率定中存在的求解复杂、精度不高等问题,本文将混沌搜索机制引入粒子群优化算法中,构建混沌粒子群优化算法对马斯京根模型参数进行率定。这种方法利用混沌运动的遍历性,改善了粒子群优化算法的全局寻优能力,避免算法陷入局部极值,使得粒子群体的进化速度加快,提高了算法的收敛速度和精度。通过实例应用表明,混沌粒子群优化算法可以有效地估算出马斯京根模型参数,优化效果明显优于粒子群优化算法及试错法,因此该算法具有很好的实用性。     

黄河径流长期演化模式与EMD灰色自记忆模型

为了研究径流的长期演化模式及自记忆特征,采用自相关函数确定重构序列的回溯阶数,并构建基于经验模态函数（EMD）分解的灰色自记忆GM（1,N）预测模型。分析回溯阶和自相关函数之间关系,进一步阐明自记忆原理在水文领域应用的合理性。结果表明,黄河花园口86年天然径流序列存在长期演化的自记忆特征,演化模式可由7个内在本征模态函数（IMF）和趋势项组成;受流域水资源开发及气候变化因素影响,1965年后,径流演化模式发生变化,出现周期衰减现象;回溯阶与时间序列自相关函数变化相对应,序列平稳化后,依据自相关函数确定回溯阶数,可提高自记忆模型预测精度。