神经网络模型在水文模拟中的应用研究

针对传统BP神经网络模型存在收敛精度不高,引入小波函数对传统BP神经网络模型节点计算方法进行改进,并将改进的BP神经网络模型用于大洋河水文模拟研究中。研究结果表明:改进的BP神经网络模型可改变传统神经网络模型的收敛精度,在大洋河流域洪水尺度水文模拟中,相比于传统BP神经网络模型,模拟精度得到明显提高。     

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。     

BP神经网络在水文预报中的应用和展望

简要介绍BP神经网络的发展和特点,从暴雨预报,水位预测,径流分析,水资源配置与管理四个方面综合评述BP神经网络在我国水文预报作业中的应用,并就BP神经网络今后在我国的水文预报作业中的应用进行了研究展望。     

Matlab软件在中长期水文预报中的应用

文中简要介绍了M ATLAB语言和BP神经网络并运用于中长期水文预报中,运用M ATLAB神经网络工具箱免去了繁琐的编程工作,取得了良好的效果。     

BP 网络用于水文预测的几个问题探讨

近年来人工神经网络（ＡＮＮ）在水文分析和水文预测中的应用越来越广泛，然而应用人工神经网络的ＢＰ模型进行水文预测却存在网络结构的确定、收敛准则的选择、训练速度较慢和预测精度等问题，本文通过两个实例发现训练样本的复杂性对ＢＰ网络结构有较大影响，讨论了收敛准则选择的问题，给出加快训练速度的几项改进措施，实例表明ＢＰ网络是一种精度较高的水文预测模型．     

河口网河区水文相关模拟的人工神经网络方法与应用

珠江河口网河区的水文过程具有典型的非线性特征。采用人工神经网络的反误差传播模型，以西，北江径流水位及河口潮流水位为作输入，以顺德市主要水道控制站水位变化作为响应输出，进行相关训练，模拟水位变化过程。     

水文智能系统

简要介绍了智能系统并提出了水智能系统的概念，综述了当前水智能系统两个重要的研究方向及其内容：一是信息智能系统的研究和开发，二是水智能调度，防洪决策支持系统和专家系统的设计和研究，最后指出了水智能系统未来研究的重点和难点。     

人工神经网络在水文预报中的应用

在介绍人工神经网络学习算法的基础上 ,尝试用ABPM网络、L M网络和RBF网络进行水文预报 ,并将这几种网络的计算结果进行了比较分析 .仿真结果表明 :选择ABPM网络可以大大提高水文预测的精度 ,且应用前景广泛     

水文尺度问题

本文探讨了涉及水文学基础的水文尺度问题。针对微观、中观和宏观三个尺度范围,说明不同条件下水文模拟与再参数化特点以及它们之间联系的复杂性。对流域尺度问题,还侧重讨论了空间变异性、单元与系统关系等。目的是强调水文尺度问题的重要性和水文学研究的方法论。     

基于BP网络的中长期水文预报精度影响分析

文章分析了影响中长期水文预报BP网络模型精度的因素,其中输入层节点数、节点转换函数及网络训练方式的选择对模型精度的影响很大。并结合研究结果,对中长期水文预报BP网络模型的参数优选提出了一些建议。     

基于人工神经网络的大坝安全风险评价研究

针对大坝风险评价方法数据融合欠佳、主观性较强等问题,本文通过疏理大坝风险破坏模式及溃坝路径,利用关键路径及关键事件,提出了多源信息融合的大坝风险评价新思路。基于神经网络理论,构建了大坝风险评价模型。案例分析表明：该模型精度高,可靠性强,有效改善了传统风险机理模型需要专家主观评测的缺点,为水库开展风险评价提供新的方法。     

基于人工神经网络的土石坝震损病害的预测研究

本文介绍了基于L-M(Levenberg-Marquardt)算法的BP神经网络模型,利用模型对土石坝进行损害预测.选取243座震损土石坝水库为研究对象,确定土石坝裂缝、渗漏、滑坡为本次预洲的指标.同时采集243座水库震损土石坝的裂缝、渗漏、滑坡等三大震损病害资料,通过专家意见划分其等级,作为实测值.经过神经网络模型反...     

基于人工神经网络的雅砻江流域 水文过程多模型集合模拟

为降低水文模型的不确定性对流域水文过程模拟的影响,优化模型的实际应用效果,选取四种常见的水文模型:SWAT模型、BTOPMC模型、VIC模型和DTVG模型在中国西南的雅砻江流域分别建模,采用一套统一的模型输入数据与模拟时间范围,再次运用四个水文模型进行径流计算,并运用北京师范大学水科学研究院自主开发的基于人工神经网络方法的多模型输出集合系统对四个模型的模拟结果进行集合计算,得到集合计算的流量过程线及误差水平,与各水文模型计算结果相比较。研究结果表明,多模型集合计算的确定性系数和纳什效率系数均达到了0.90,相比单一水文模型的计算精度有大幅提高,且计算结果较稳定,与实际径流过程具有很好的一致性,说明多模型集合模拟在该流域具有很好的适用性。     

基于BP神经网络的大坝沉降预测模型

以某大坝沉降监测数据为例,利用Matlab软件的BP神经网络工具箱进行建模分析和预测。结果表明,滚动BP神经网络算法能较好地应用于大坝沉降数据的预测,具有良好的应用前景。     

BP神经网络预测河流月径流量

河流的月径流量是随机变化的，影响因素很多，如人类活动、降雨、下垫面的土壤、植被覆盖情况。利用人工神经网络理论建立BP（Back-Propagation，反向传播方法）网络预测模型，用该模型对河流的月径流量进行预测，BP神经网络模型计算快速，占用内存小，还有很好的容错性，可以得到比较理想的结果，精度高，可靠性好。模型建立之后，将其用于实例，通过对大量样本进行很多次的训练学习，得到训练好的BP网络模型，最后进行预测，得到令人比较满意的结果。     

基于神经网络的水轮机调节控制器

对神经网络控制在水轮机调节中的应用做了理论上的分析，将基于BP神经网络的PID控制器应用于水轮机频率扰动和负荷扰动仿真实验中，结果表明其具有较好的动静态特性和较强的鲁棒性，为神经网络控制在水轮机调节中的应用打下良好的理论基础。     

基于 BP 神经网络的场次洪水河道沙量预报

针对日益严重的河流泥沙问题,掌握河流泥沙的影响因素和泥沙的变化过程是泥沙治理的关键。以神经网络模型为基础,建立场次洪水沙量预报模型,对多沙河流的洪水挟沙量进行预报,并取得较好的预报效果。选择辽西北多沙河流大凌河作为研究实例,首先将1984年-1998年间的29场历史实测洪水资料进行分析,得到影响下游沙量的主要因素;然后,通过神经网络模型建立上游影响因素与下游沙量之间的关系;最后,选取其中6场洪水资料进行验证。模型计算结果表明,计算结果与实测结果误差在合理范围之内,精度符合要求,可以用于下游沙量的预报。     

自组织特征映射神经网络方法在水文分区中的应用

水文分区问题是模式分类问题的一种,本文采用已被广泛应用于模式分类问题中的自组织特征映射人工神经网络(SOFM网络)方法对江西和福建两省进行水文分区。在水文分区计算中选用了86个水文站点和8个反映流域下垫面因素和水文气候特征的水文因子,利用SOFM神经网络分区方法自动识别子区的个数,较为客观地将江西和福建两省划分为3个水文大区。每个区的平均流域特征与当地的下垫面情况完全吻合,同时,对各站点年最大洪峰流量进行计算和精度检验,其基本满足水文站网规划对水文分区的精度要求,表明用SOFM神经网络方法进行水文分区是一种行之有效的方法。     

基于BP神经网络的参照腾发量预测模型

本文在分析影响作物蒸发蒸腾量的气象因子的基础上，以不同的气象因子组合为输入向量，以参照腾发量为输出向量，构建了气象资料不足情况下三种计算参数腾发量的BP神经网络模型BPET1、BPET2和BPET3。利用宁夏引黄灌区2000～2003年的逐日气象资料对所建模型进行反复训练和预测，并把预测结果与传统的Penman-Monteith公式计算而得的同期作物ETO值相比较。其中，BPET1的预测值与ETO值的相关系数平方为0．9914；BPET2的预测值与ETO值的相关系数平方为0．9917；BPET3的预测值与ETO值的相关系数平方为0．9854。研究结果表明，本文构建的模型计算精度较高，方法简便可行，能满足实际生产需要。