基于径向基神经网络模型的瀑布沟月径流预测

以前期1～6个月径流为影响因子,建立径向基神经网络预测模型,对大渡河瀑布沟水电站月入库径流进行预测,取得了满意的结果。枯水期月径流预测精度较高,表明采用前期月径流作为影响因子建立预测模型是可行的,可直接应用于实际工作;而平水期、汛期月径流预测精度较枯期稍低,表明仅考虑前期月径流作为影响因子还不够,可以适当加入降水等影响因子进行建模。     

基于小波分解的径向基神经网络径流预测研究

噶尔河流域位于新疆塔里木盆地西南缘,流域严重缺水,直接影响到流域的农牧业生产,因此需要对其径流量做出相对准确的预测。选用喀什噶尔河流域1956年—2000年实测年径流量,运用小波分解方法揭示径流的趋势性和周期性,并利用周期性结果为径流预测提供数据输入依据,建立径向基神经网络预测模型,与传统径向基神经网络预测模型相比,精度更高,能够更加准确的预测喀什噶尔河流域年径流量。更多还原     

基于MIV的遗传神经网络径流预报模型

针对中长期水文预报中预报对象与预报因子之间复杂的非线性关系,引入平均影响值对预报因子进行筛选,选出对头道拐站年径流量影响较大的年降水量、年均相对湿度、年均气压3个因子作为神经网络的自变量,利用遗传算法优化的BP神经网络建立了预报模型。预报结果表明:基于平均影响值的遗传神经网络的预报精度及稳定性均达到了满意的效果。     

灰色径向基神经网络技术在水文预报中的应用

分析清河水库中长期水文预报状况、历史资料,提出预报单位年的概念,采取灰色关联度方法选取适当的年份作为典型年,采用径向基神经网络技术,构建清河水库中长期水文预报新模型,并开发了基于VB的中长期水文预报系统。通过近3年的应用检验,取得了较好的效果,较大地提高了清河水库中长期水文预报精度。     

小波神经网络在径流预测中的应用

将小波分析与传统的BP神经网络模型进行组合,提出了一种新的径流中长期预测方法。该方法对年径流序列进行Mallat小波分解,将分解后得到的不同尺度下的低频成分和高频成分分别进行Mallat算法重构,对重构系列采用BP神经网络模型进行预测。采用黄河三门峡站1470-2002年的年径流资料进行模型的预测和检验,并与传统的BP神经网络模型进行比较,研究结果表明小波神经网络在径流预测中具有较好的预报精度,可以成功地用于径流模拟和预测。     

BP神经网络在河段汛期径流预测中的应用

本文以武隆站与江界河1985～1986年汛期(5～10月)的实测数据为资料,利用BP算法,建立了基于人工神经网络的武隆站汛期预报模型,经过1987年的资料检验,同时与线性回归模型相比较得出,该模型预报精度良好,模型稳定可靠。     

多重组合神经网络模型在年径流预测中的应用

针对线性组合预测模型预测精度不高、单一预测模型权重较难确定和非线性组合预测模型组合函数难以构造等问题,为最大限度地挖掘输入向量间的有用信息以及充分发挥神经网络模型的高度非线性映射能力,提出一种基于BP、Elman、RBF、GRNN这4种神经网络算法原理的多重组合年径流预测模型。以4种单一预测模型的预测结果作为一次组合预测模型的输入向量,实测流量作为输出向量,构建4输入1输出的一次组合预测模型;再以一次组合预测模型预测结果作为二次组合预测模型的输入向量,实测流量作为输出向量,构建4输入1输出的二次组合预测模型;依次类推,构建12种多重组合预测模型。以新疆伊犁河雅马渡站年径流预测为例,将预测结果与4种单一预测模型及IEA-BP模型的预测结果进行比较,结果表明:多重组合预测模型的预测精度和泛化能力较单一预测模型均有较大提高,随着模型组合重数的增加,预测精度呈提高趋势,是提高预测精度的有效方法。     

小波神经网络模型在河道流量水位预测中的应用

鉴于BP神经网络学习收敛速度慢、参数选择困难、易陷入局部极值等缺点,提出小波神经网络河道流量水位预测模型,以盘龙河天保站流量水位预测为例进行分析。采用循环算法确定最佳BP神经网络结构,并在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建传统BP、GA-BP神经网络河道流量水位预测模型作为对比预测模型。结果表明:小波神经网络结合了神经网络与小波分解在函数逼近上的优点,其预测精度高于传统BP和GA-BP网络模型,表明小波神经网络用于河道流量水位预测是合理可行和有效的,可为水文预测预报提供新的途径和方法。且小波神经网络模型具有计算简便、逼近能力强、收敛速度快,能有效避免局部极值等特点,有着广阔的应用前景。     

基于BP神经网络的贝叶斯概率水文预报模型

本文在贝叶斯概率水文预报系统(BFS)框架之上，研究了双牌水库水文预报的不确定性，建立了流量先验分布及似然函数的BP神经网络模型，并通过Markov链Monte Carlo(MCMC)方法求解得到流量后验分布及其统计参数。通过对双牌水库历史洪水的研究结果表明，基于BP神经网络的BFS不仅显著提高了预报精度，而且为防洪决策提供了更多的信息，使得预报人员在决策中能考虑预报的不确定性，定量的估计各种决策的风险和后果。     

小波变换结合BP神经网络进行径流预测

对BP神经网络和小波变换结合BP神经网络这两种方法在径流预测方面做了一些比较,认为在缺乏降雨、温度等相关资料的情况下,单从径流资料出发用BP神经网络进行径流预测,效果并不理想;而通过小波变换把径流序列分解为多个频率成份的叠加,再由神经网络对小波系数进行预测,最后重构出预测的径流序列的方法取得的效果较好.同时还就小波变换结合BP神经网络方法,比较了不同网络结构对径流预测效果的影响,其结论可作为对径流序列预测研究的一种参考.     

基于小波分析的径流分级组合预报模型

为进一步提高径流预报精度、降低预报的不确定性,利用小波分析法提取径流系列的概貌和细节成分;采用BP网络模型、RBF网络模型、SVM模型分别模拟预报,进行径流分级。根据不同级别的径流,对预报结果予以变权重组合,构建了基于小波分析的径流分级组合预报模型,并对其预报结果作了分析和总结。宜昌站中长期径流预报结果表明,组合预报模型能够较好地提高预报精度。     

基于子波变换序列的人工神经网络组合预测

本文引入一种新的水文序列组合预测方法，首先对水文离列施行ＡＴｒｏｕｓ子波变换，得到其在各倍频程上的子波系数，其次利用人工神经网络预测模型对子皮系数进行了多尺度组合预测：而后运用ＡＴｒｏｕｓ完全重构公式，得到水文序列的预测，本文对宜昌站年平均径流离列作了研究，结果显示预测效果理想。     

RBF神经网络模型在金沟河流域径流预测中的应用

河川径流时间序列是一个复杂的非线性系统,使传统的预测方法难以描述其变化规律。将金沟河流域八家户站的1957年至2003年的年径流实测数据作为样本,转化为径流差后,进行归一化处理及自相关函数分析,在MATLAB环境下建立径向基神经网络径流预测模型。结果表明:与传统的BP神经网络预测比较,利用径向基神经网络模型对径流序列进行预测具有更高的精度和更短的运算时间,是径流预测的一种有效方法。     

基于小波分析的NARX神经网络在水位预测中的应用

高精度的水位预测能为防洪决策、水资源管理等提供重要的调度依据,减少洪旱灾害损失。为提高预报精度,提出一种基于小波分析的NARX神经网络模型(DWT-NARX),综合考虑洪泽湖入湖流量、出湖流量、周边用水、前期水位等因素,对洪泽湖日水位进行预报,并与BP神经网络、NARX神经网络模型进行比较。结果表明,三种模型在短历时预报中均取得了较好的模拟预测效果。当预见期为1或2天时,Nash-Sutcliffe效率系数均大于0.9,合格率大于85%;当预见期超过3d,NARX模型在水位变幅较大的时段预测结果变差,BP模型出现严重的震荡现象,NARX和DWT-NARX模型结果均优于BP神经网络,DWT-NARX在整体上结果最优。研究成果可为洪泽湖的水位预报提供一定的参考价值。     

基于混沌的大坝监测序列小波RBF神经网络预测模型

本文结合混沌理论、小波分解与重构,以及径向基函数(RBF)神经网络的优点,提出了一种基于混沌的大坝监测序列小波RBF神经网络预测模型。该模型主要利用小波分析将大坝监测序列分解为趋势项和细节时间序列,并利用RBF神经网络和基于RBF神经网络的混沌理论对两种时间序列进行预测,最后通过小波重构得到预测值。实例分析表明,本模型能够克服监测序列中的噪声干扰,反映大坝监测序列的多尺度特性,对监测数据的预测精度较高,可应用于实际工程。     

基于GA-Elman神经网络模型的年径流预测

针对传统神经网络模型静态性及训练算法易陷入局部极值的缺陷,为了实现神经网络训练全局寻优,提高模拟精度,并使网络结构能动态反映年径流系列的时变特性,本文以年降雨及气温作为输入因子、年径流量为模型预测对象,结合遗传算法和Elman神经网络各自的优点,采用遗传算法对网络权值阈值全局优化,通过二者的耦合构建了GA-Elman年径流预测模型。利用构皮滩站1961—2015年的径流系列对模型进行了训练及测试,并对各模型预测性能比较分析。结果表明:GA-Elman模型预测平均相对误差5.29%、均方根误差55.81 mm,效果良好,对于径流预测具有实用价值;神经网络模型预测精度优于基于线性方法的模型,预测平均相对误差从12.01%降至7.07%以下;采用遗传算法改进神经网络权值阈值优化过程,预测平均相对误差从7.07%降低到5.29%,可明显提高模型泛化能力,从而改善径流预测效果。     

小波网络模型在年径流预测中的应用

结合人工神经网络（ANN）的较强非线性逼近功能和自学习、自适应特点。充分发挥两者优势，将小波分析与人工神经网络进行耦合（即小波网络模型）。将非线性时间序列实行小波变换．再以小波变换序列作为ANN的输入、原始时间序列作为ANN的输出，最后训练网络并进行预测。     

基于神经网络的金盆水库大坝应力预测

针对金盆水库原形观测——大坝应力的温度效应、时变效应，通过对比神经网络各种算法的优缺点，提出一种能够在线学习、在线预测的递推径向基函数神经网络，用于监测可能造成大坝纵横裂缝的大坝应力。实际数据的仿真预测结果与以往算法相比，克服了以往算法只能离线训练，或在线训练费时、耗内存的缺点，显示了一定的有效性和实用性。     

结合灰色理论的人工神经网络方法 在水质预测中的应用

针对现阶段水质监测中存在的水质变化响应滞后问题,提出了采用灰色预测法、人工神经网络(BP神经网络、径向基神经网络、广义回归神经网络)以及两者组合的方法对水质动态预测进行研究。以太湖流域嘉兴斜路港监测断面为例,并依据后验差检验比值c及小概率精度p对模型预测效果进行了分析。结果表明,对年内预测,通过广义回归神经网络的动态预测值平均相对误差为0.61%,后验差检验比值小于0.65,小误差概率大于0.7;采用灰色结合广义回归神经网络的方法对水质pH值进行预测,平均相对误差仅有0.85%,后验差检验比值小于0.65,小误差概率等于1。研究结果还表明,对年际预测,灰色结合BP神经网络和灰色结合径向基函数神经网络的动态预测值平均相对误差分别为0.57%和0.80%,其后验差比值都小于0.5,小概率误差都为0.9,大于0.8。