共查询到10条相似文献,搜索用时 15 毫秒
1.
庾文武 《水利水电科技进展》2011,31(2):46-49
介绍小波消噪的原理和步骤。以北方某流域甲站2001—2005年逐日气象数据为基本资料,进行10阶Dmey小波消噪,然后构建预测ET0的前馈网络模型(RBF-ET0),用2001—2004年的资料作为训练样本,对2005年的ET0进行预测,并与Penman-Montieth公式计算值进行比较。结果为:预测值与目标值的相关系数为0.991 2,相对误差的平均值为6.56%,相对误差小于20%,15%,10%的合格率分别为93.88%,85.66%,73.51%,与未经小波消噪处理的RBF-ET0模型预测结果相比,预测精度有明显提高。 相似文献
2.
3.
水文序列分析中基于信息熵理论的消噪方法 总被引:5,自引:0,他引:5
为准确有效地识别和分离水文时间序列中的噪声成分,应用信息熵理论并结合小波消噪概念,建立了小波系数阈值优选熵准则和水文序列消噪新方法。该方法首先应用熵函数H值描述噪声成分的不确定度,并应用信息量系数(information cost function ICF)值描述主序列的复杂度;然后通过分析不同小波系数阈值对应的噪声成分H值和主序列ICF值的变化规律,可优选出合理的小波系数阈值;最后对小波系数进行阈值量化处理,即可实现水文序列消噪。通过对不同特性模拟序列和不同实测水文序列分别进行分析,并通过与常用小波消噪方法(FT、SURE、MAXMIN)的消噪结果对比,验证了该阈值优选熵准则的合理性和适用性。分析结果显示,水文序列中的噪声成分具有偏态特性,因此本文应用偏态分布线型(P_Ⅲ型分布)对噪声成分进行描述更为合理,而且小波系数阈值优选熵准则所得的阈值是基于信息熵理论而确定的,因此是整体上最优值。 相似文献
4.
为准确有效地识别和分离水文时间序列中的噪声成分,应用信息熵理论并结合小波消噪的基本思路,建立了小波系数阈值优选熵准则和水文序列消噪新方法:即首先应用熵函数H值描述噪声成分的不确定度,并应用信息量系数ICF(information cost function)值描述主序列的复杂度;然后通过分析不同小波系数阈值对应的噪声成分H值和主序列ICF值的变化规律,可优选出合理的小波系数阈值;最后对小波系数进行阈值量化处理,即可实现水文序列消噪。通过对不同特性模拟序列和不同实测水文序列分别进行分析,并通过与常用小波消噪方法(FT、SURE、MAXMIN)的消噪结果对比,验证了该阈值优选熵准则的合理性和适用性。分析结果显示:水文序列中的噪声成分具有偏态特性,因此本文中应用偏态分布线型(P-III型分布)对噪声成分进行描述更为合理;且此阈值优选结果是基于信息熵理论而确定,因此是整体上最优值。 相似文献
5.
将小波分析与随机分析结合,提出了基于小波消噪的随机模型并将之用于太子河流域参考作物腾发量(ET0)的模拟和预测。其思路是:首先对时间序列进行小波消噪;根据消噪序列的变化特性建立适合的随机模型;最后应用模型进行预测。 相似文献
6.
针对水文时间序列的非平稳性特征,以长江三峡宜昌站1904~2003年年平均流量为例,分别建立了小波分析(WA)与BP神经网络和径向基函数神经网络(RBF)耦合的预测模型,探究了两种组合模型的预测效果,并与传统的单一人工神经网络模型对比;并采用5种常见的预测性能评价指标分析预测效果。结果表明:组合模型预测成果的精度较单一模型显著提高;组合和单一模型中RBF网络模型均优于BP网络模型;小波径向基函数神经网络组合模型具有较优的预测精度和泛化能力,是提高预测精度的有效方法,在径流预测中具有可行性。 相似文献
7.
《人民珠江》2019,(11)
为提高滑坡变形预测精度,以小波去噪和优化BP神经网络为基础,构建了滑坡变形预测模型,即先利用小波去噪剔除滑坡变形序列中的误差信息,再利用BP神经网络实现滑坡变形预测,且为保证其预测精度,利用试算筛选和混沌理论优化其模型参数,以实现滑坡变形的优化预测。实例研究表明:小波函数、阈值选取方法和小波分解层数对去噪效果的影响较大,sym8小波函数、软阈值及12层分解层数组合在实例中的去噪效果相对最优;同时,隐层节点数优化和节点阈值优化能有效提高BP神经网络的预测精度,在初步预测效果评价中,SH1号监测点的相对误差均小于2%,平均相对误差仅为1.65%,并在可靠性验证中,SHZ2号和SHZ3号监测点预测结果的平均相对误差分别为1.54%和1.51%,说明该模型不仅具有较高的预测精度,还具有较好的稳定性,适用于滑坡变形预测。 相似文献
8.
9.
10.
基于相空间重构的大坝服役性态小波支持向量机预测模型 总被引:2,自引:0,他引:2
通过支持向量机与相空间重构、小波分析、粒子群算法等的组合应用,充分考虑大坝原型监测数据特征,开展了大坝变形性态预测模型研究。为提升模型的抗噪能性,首先利用小波分析工具对监测数据序列进行时频分解,对分解所得的高频子序列实施阈值去噪处理;进而在借助混沌相空间重构技术,计算各子序列延迟时间与嵌入维数的基础上,重构各子序列的相空间。依据去噪和重构后的变形子序列,建立大坝变形性态支持向量机预测模型。考虑到支持向量机惩罚因子与核函数参数对模型预测精度影响显著的特点,引入粒子群算法,并通过支持向量机的参数寻优,进一步提高了模型的预测精度。工程实例分析表明,相空间重构的大坝变形性态小波支持向量机预测模型具有较强的抗噪和泛化能力,且能够更好地辨识蕴含于大坝原型监测数据中的时频非线性特征,更利于大坝变形性态的精准预测。 相似文献