基于主成分分析的BP神经网络在延安市需水预测中的应用

利用延安市1990～2010年的需水量数据,采用主成分分析法对影响水资源需求量的10个因子进行了分析.结果表明:GDP、降雨量、居民生活用水量及生态环境用水量4个因子为影响需水量的主要因子,将此作为主要因子构造BP神经网络的输入样本,建立延安市需水量预测模型.模拟结果与实际值相吻合,并利用模型对2015年需水量进行了预测.     

基于BP神经网络的宁夏水资源需求量预测

利用宁夏2000-2010年的需水量数据,提取了人口数、GDP、工业总产值和降水量为主要影响因子,采用主成分分析法对影响水资源需求量的8个因子进行了分析。将此作为输入样本构建BP神经网络模型,用训练测试好的神经网络对2011和2012年水资源需求量进行了预测,预测结果为宁夏水资源规划管理提供参考。     

基于BP神经网络的义乌市水资源需求量预测

针对区域水资源需求量的预测问题,由影响义乌市水资源需求量变化的三类影响因子——经济发展与水资源量不协调因素、人口因素和水环境破坏因素三类入手,运用BP神经网络模型对该区域水资源需求量进行预测,通过网络学习训练得出义乌市2010年水资源需求量为2.684103×108m3。其结果可为政府决策者制定与水资源相协调的区域发展规划提供一定的参考。     

基于BP神经网络的区域需水预测

本文基于BP神经网络L-M的改进算法,建立人工神经网络区域需水预测模型,选取GDP、人口、粮食作为区域需水预测因子,将BP神经网络模型应用到文山州区域需水预测中,并运用MATLAB神经网络工具箱进行模拟计算.     

基于主成分分析的GA-BP模型在城市需水预测中的应用研究

针对城市需水预测模型中需水量影响因子多、影响因子之间普遍存在多重共线问题,以及BP神经网络收敛速度慢、易陷入局部最优等缺点,提出一种由主成分分析、遗传算法及BP神经网络三者相结合的改进预测模型。以泰州市为实例,建立以主成分分析筛选需水量主要影响因子,遗传算法优化BP网络连接权值和阈值的需水预测模型,预测结果与BP神经网络预测模型预测结果做对比。结果表明:改进预测模型对泰州市2003-2014年需水量预测的平均相对误差为0.564%,最大相对误差为1.681%,精度优于BP神经网络预测模型;改进预测模型预测值与实际泰州市需水量吻合良好且训练速度更快、预测精度更高,可作为需水预测的一种有效方法。     

基于主成分分析法的延河水质评价及预测

首先采用主成分分析法对延河5个监测断面的包括高锰酸盐指数、化学需氧量、五日生化需氧量、氨氮、石油类以及大肠菌群等6个水质指标进行分析计算,从信息量的角度讨论了河流水质各污染组分包含的信息大小及各污染组分对断面水质影响程度;在此基础上采用BP神经网络模型对延河未来年不同断面的主要水质指标进行预测。结果表明:运用主成分分析法处理可以产生新的指标,而新的指标彼此间互补相关,可以很好地反映水质的综合状况;利用BP神经网络建立延河水质预测模型,模拟结果与实际值较吻合,具有一定的可靠性。     

基于PCA-RBF神经网络模型的城市用水量预测

针对城市用水量影响因素众多、关联性较强以及BP神经网络收敛速度慢、易陷入局部极小值等问题,采用组合主成分分析(PCA)与RBF神经网络的方法预测城市用水量。利用主成分分析对用水量影响因素进行降维,消除多重共线性,选取能够替代原用水量影响因素的前三个主成分作为输入因子,选用学习和收敛速度快、模式识别能力强的RBF神经网络进行预测。研究结果表明,该模型的相对误差平均值在训练和预测阶段均最小,分别为0.165 4%和0.677 5%,学习和预测能力均优于RBF和BP神经网络模型,提高了收敛速度和预测精度;主成分数量从3个增加到5个,信息量累积贡献率从93.09%增加到98.37%,平均相对误差从0.250 7%降至0.206 0%,预测精度略有提高。对2015—2020年枣庄市用水量进行预测,总用水量先有小幅上升,后又下降,呈现"倒U型"增长。该模型对城市区域水资源规划具有参考价值。     

基于主成分分析与BP神经网络模型的大坝渗流监测资料分析

大坝渗流观测资料分析中,各因子间常存在不同程度的相关性,这种相关性有时会对分析效果产生较大的影响,另外,通常的回归模型为线性模型,难以精确反映一般为非线性函数的因变量的变化规律。针对上述问题,本文将主成分分析和神经网络相结合,建立大坝渗流观测数据的主成分神经网络模型,经实例计算,该模型的预报精度较高。     

基于主成分回归分析的需水预测研究

水资源是城市发展的动力,需水量准确预测对城市可持续发展具有重要意义。需水量受多重因素影响,单一使用多重线性回归难以保证预测的准确性和科学性。根据南京市2005—2014年7个经济、社会发展相关指标,利用主成分回归分析建立模型使用原始变量对用水量进行预测。结果表明,应用主成分回归模型进行需水预测,比多重线性回归模型精度高,也较好地拟合了实际用水量。     

基于主成分回归与灰色神经网络模型的水资源承载力需水量预测

我国的水资源利用问题日趋严峻。作为影响水资源承载力的重要因素,社会经济活动对水资源的影响尤为明显。通过分析影响水资源承载力的社会经济驱动要素,建立主成分回归模型,分析得出影响江苏省水资源承载力变化的三个驱动力以及驱动力影响度,利用三个驱动力中的6个重要驱动因子,建立灰色神经网络预测模型,预测出江苏省2012-2013年的年需水量。结果表明:预测模型精度较高,最后结合江苏省发展现状提出相关的政策性建议。     

基于改进型BP神经网络马尔科夫模型的区域需水量预测

为提高需水量预测的精确度,应用了一种BP神经网络与马尔科夫相结合的预测模型,介绍了它的基本原理及算法,并给出了该模型建立的具体过程,最后该模型被应用于需水量预测工作中,计算证明取得了较好的效果。     

基于定额定量法的阿克苏市需水量预测分析

以阿克苏市经济发展及水环境保护为目标,分析目前该市各水平年的需水现状,对各水平年的用水定额进行了分析确定,以2006年为现状年,对2015年及2030年的需水进行了预测,从而为该市未来的水资源合理配置提供了理论依据。     

基于主成分分析的南京市水资源承载力研究

为了探求南京市水资源承载力的状况,选取14个指标构建水资源承载力评价指标体系,运用主成分分析法对南京市2003-2012年的水资源承载力水平进行比较分析和综合评价。结果表明:人口与经济发展、水资源禀赋、资源利用效率是影响南京市水资源承载力的主要因素;2003-2012年南京市水资源承载力基本呈不断上升的趋势,但在2004年出现了波动。总体上,目前南京市的水资源承载力的发展态势是良好的,但还是存在一定的上升空间。     

主成分回归在需水预测中的应用

城市需水量的准确预测对区域的发展具有十分重要的意义。城市需水受多重因素的影响,且这些因素大多存在较强的相关性。通过主成分分析法的计算分析,以金华市为例,采用2000-2010年的城市用水资料建立回归模型对需水量进行预测。结果表明:该模型应用于城市用水预测,其结果与当地实际情况较为吻合,模型的拟合程度和预测准确度较好。     

基于BP神经网络的桂林生态城市建设需水量预测

根据桂林市经济社会历年统计的主要指标数据,运用SPSS社会科学统计软件分析并选取出桂林市辖区生态城市建设需水量的显著性影响因子,采用改进的归一化进行非线性规格化数据处理,基于Matlab建立BP神经网络模型,预测桂林市辖区生态城市建设需水量,结果表明,预测结果与原始数据的平均相对误差为1.19%,最大为2.08%,最小为0.28%。该模型具有较高的预测精度和良好的泛化能力,BP神经网络与SPSS软件优化组合模型,可用于需水量预测。     

基于联系隶属度的城市需水量预测模型

城市需水量预测是生态城市规划与管理的基础,但受诸多不确定因素影响,是一个复杂的预测难题。为能定量统一表达预测年份需水量各影响因素间及与历史数据间的交叉、交融的确定和不确定关系,在此应用有序聚类理论与集对分析的耦合方法,提出了基于联系隶属度概念的城市需水量预测模型。该模型首先基于城市需水量历史数据进行最优分割聚类,应用联系隶属度对预测年份需水量的影响因子与历史数据关系进行同异反分析,并构建相似模型预测相应年份的城市需水量。实例应用及与其他方法对比的结果表明,该模型应用于城市需水预测是有效可行的。     

基于模糊神经网络的区域需水预测计算模型

将神经网络和模糊理论相结合建立模糊神经网络模型,从模糊神经网络角度并运用灰色系统理论对区域需水量进行预测,通过应用于盐城市在未来2010年需水预测的实例,计算分析结果表明该模型具有良好的可行性和合理性,可以借此深入分析外生变量与区域需水量之间的关系。