基于RBF神经网络的农业需水量预测

介绍了径向基函数神经网络的原理、训练算法,建立的径向基函数神经网络农业需水量预测模型具有较强的非线性处理能力和逼近能力,运算速度快、性能稳定,克服了BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,预测精度较高,泛化能力强。     

城市需水量预测方法及应用研究——以哈尔滨需水量预测为例

通过几种常用需水量预测方法的分析研究,根据其各自特点得出在城市规划中通常采用人均综合用水量指标法、分类用水指标法和年增长率法进行需水量预测。并以哈尔滨需水量预测为例说明各种预测方法的应用,为其它城市进行城市需水量预测时提供参考。     

RBF与GRNN神经网络模型在城市需水预测中的应用

针对需水量预测具有受诸多因素影响的复杂、高维和非线性等特性,本文基于RBF与GRNN神经网络算法原理,构建RBF与GRNN神经网络需水预测模型,将模型应用于城市需水预测中,并与基本BP神经网络模型以及灰色GM(1,1)需水预测模型的拟合、预测结果进行了对比分析.结果表明:①RBF与GRNN神经网络模型有着较高的拟合、预测精度,平均相对误差均在5％以内,表明研究建立的RBF与GRNN神经网络模型应用于需水预测是合理可行的,模型泛化能力强,预测精度高,算法稳定,与基本BP网络算法相比,RBF与GRNN网络模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点,可以更快地预测网络,有着良好的应用前景.②相对而言,RBF与GRNN神经网络模型预测精度要优于基本BP网络和灰色GM(1,1)模型.     

基于RBF神经网络的降雨量预测

文章论述了鉴于降雨量受众多因素的影响和具有复杂的非线性特点,在Matlab环境下建立了RBF神经网络的降雨预测模型.经实例验证,该模型收敛速度快、预测精度高。并且与BP神经网络模型对比结果表明,该方法避免了BP神经网络的局部极小及收敛速度慢等缺点,在精度,训练速度等方面优于BP神经网络。     

基于RBF神经网络的工业取水量预测研究

介绍了径向基函数（RBF）神经网络的结构、原理和训练算法。以某市为研究对象,建立了RBF神经网络工业取水量预测模型,采用最近邻聚类学习算法确定径向基函数的宽度、聚类中心和权值。结果表明：RBF模型具有较强的非线性处理能力和逼近能力,且结构简洁、学习速度快、预测精度高,泛化能力强,克服了BP神经网络学习过程收敛过分依赖于初值和可能出现局部收敛的缺陷。     

基于遗传-神经网络的城市需水量预测方法研究

为了实现城市可持续发展，城市需水量预测极为重要。针对目前常用的灰色预测方法，从建模机理出发，指出了灰色建模中存在的不足。本文将人工神经网络原理引入城市需水量预测中，并针对BP网络收敛速度慢、易陷入局部极小的缺陷，提出了基于GA和BP的预测模型，实例研究表明该模型是一种行之有效的城市需水量预测模型。     

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RBF神经网络的河川年径流量预测

文章以新疆开都河年径流量为研究对象,选用能够模拟输入与输出层非线性关系的径向基函数(radial basis function,RBF)神经网络,构建了河流年径流量预测模型。研究结果表明:通过自相关系数法,选用河流自身前1~5 a径流量作为输入层,当前年径流量作为输出层,利用Matlab软件建立RBF神经网络模型,预测开都河2008—2012年径流量,预测值最小相对误差为3.22%,最大相对误差为7.61%,平均相对误差为5.19%,相关系数为0.863;通过对预测样本实测值与模拟值进行经典统计学分析,2组数据间无显著性差异。这说明RBF人工神经网络模型用于模拟预测河川年径流量是可行的。     

济南市生态环境需水量的计算

以济南市为例探讨了生态环境需水量的概念、计算方法以及预测方法,认为城市是一个特殊的生态系统,其生态环境需水量应包括生活用水、生产用水以及环境用水三部分。在此基础上,计算了2003年济南市生态环境需水量为40 975.553×104m3,并预测了2010年生态环境需水量为92 575.848×104m3。研究结果丰富了生态环境需水量的理论研究,为单一城市的生态环境需水量的研究提供了依据。     

基于RBP神经网络模型的城市需水量方法研究

城市需水量预测是水资源可持续发展的研究基础。需水量预测考虑的影响因素较复杂,增加了需水量预测难度。通过建立RBP神经网络模型,以河北省A城市为例,进行城市需水量拟合与预测,与传统BP神经网络模型和灰色系统模型计算结果进行对比分析,结果表明RBP神经网络模型拟合的相对误差为2.65%,模型预测结果的相对误差为3.92%,计算结果精度高于另外两种方法,对今后城市需水量预测方法研究提供了一种有效方法的借鉴。     

基于RBF神经网络的长距离引水隧洞涌水量预测

长距离输水隧洞的突涌水问题对隧洞施工安全、施工效率以及隧洞建成后的运营质量会产生严重影响,因而为保证隧洞安全、高效的施工,对隧洞涌水量进行准确预测是十分有必要的.本文以新疆某大型水利工程长距离引水隧洞为研究对象,选取地质构造、渗透率、上覆含水体富水性和水头高度作为评价因子,基于RBF神经网络的基本原理提出了引水隧洞涌水量预测模型,实现对引水隧洞涌水量的精准预测.该预测模型的水量识别准确率较高,可有效防止隧洞内突涌水灾害的发生,为施工单位提前处置隧洞突涌水提供指导.     

基于RBF神经网络的农田土壤含盐量预测

介绍了径向基函数（RBF）神经网络的原理、训练算法,建立的径向基函数神经网络农田土壤含盐量预测模型具有较强的非线性处理能力和逼近能力,使用实际观测数据进行计算,模型运算速度快、性能稳定、预测结果精度较高、泛化能力强。     

基于灰色模型的城市需水量预测

用灰色模型对四川省资阳市2010、2015、2020年的需水量进行了预测,得出需水量分别为2 282.0、2 834.6、3 235.3万m3。对预测结果的精度校验表明,模型的预测精度等级为一级。     

基于BP神经网络和RBF神经网络的砂土基础液化判别

结合河北唐山地区土样样本,以地下水位埋深(hw)、地下水头(h)、标准贯入锤击数(N63.5)、土的动强度(R)及地震力(L)为评价指标建立了BP神经网络和RBF神经网络的预测模型。通过实例结果比较分析,表明RBF神经网络和BP神经网络判断砂土液化的精度都较高,但对于用埋深hs,地下水位深度h,标准贯入锤击数N63.5,土的动强度R和地震力L作为参数指标时,RBF神经网络在砂土液化的判别方面优于BP神经网络。通过对金坛石桥枢纽进行建模预测,进一步证明了以上结论,并说明了BP神经网络和RBF神经网络对于砂土基础液化的预测是普遍适用的。     

鸡西市城市需水量预测分析

以黑龙江省水资源较为短缺的鸡西市为例,选取2010年为基准年,根据鸡西市城市总体发展规划,并结合当地水资源利用现状,分析预测规划水平年2020年和2030年的城市总需水量,并对预测结果进行合理性分析,在此基础上提出解决鸡西市未来城市需水问题的建议。     

城市需水量的灰色非线性预测

应用灰色理论建立了连云港市年需水量的单变量一阶灰色预测模型，在分析其缺陷的基础，引入了使平均相对误差为最小的灰元，作方程的指数，从而建立起灰色非线性常微分方程模型，它弱化了模型以原始样本序列呈指数规律的要求，经误差分析表明它具有比单变量一介灰色预测模型更高的精度，适用范围更广，灰色非线性预测模型用于城市年需水量预测，其结果令人满意。     

水资源约束下城市需水量预测研究

在分析需水量预测和水资源约束的基础上,本文探讨了水资源约束的量化指标。提出城市需水量预测应和水资源约束结合,并将水资源约束系数引入需水量预测中。应用BP网络,建立了水资源约束下的城市需水量预测模型。本文以郑州市为例,应用预测模型进行需水量预测,并对预测结果进行了分析。结果表明:本文建立的模型具有一定的实用价值,为区域的发展规划、供水工程规划以及节水规划提供更科学的依据。     

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。