上游降水及下游河闸对南京东山站水位的影响分析

南京东山站水位不仅受秦淮河流域降雨量、下垫面的影响,还受下游长江潮汐上溯、沿河排涝泵站及西南部诸多中小支流回水顶托的影响,水位呈现非单一性、绳套或复式绳套关系,水位预报难度较大。通过多元线性回归模型,研究2011—2014年主汛期在不同降雨条件下东山水位和多个变量之间的相互关系。结果表明,非降水日相对于降水日相关性显著,秦淮新河闸上与东山水位相关性更为显著,在模型中综合考虑武定门闸上及秦淮新河闸上水位,计算结果的精度值要优于只考虑单一指标的情况。     

数字孪生永宁江洪水预报模型构建及系统应用

以永宁江流域作为试点,构建数字孪生流域,建设具有“四预”功能的“2+N”业务应用体系,综合保障区域防洪安全。考虑到流域内地势起伏大、用地类型复杂、横跨多个行政区块等客观原因,为提高预报精度,基于Mike系列模型,建立永宁江洪水预报模型。采用2013年“菲特”、2015年“苏迪罗”和2019年“利奇马”等台风洪水作为计算场次,根据2013—2019年水文资料选取5场洪水进行率定,结果表明各站模拟与实测过程趋势线基本一致,其中峰值水位误差：下路站为1.31%,西江闸下站为2.23%,永宁江闸上站为-0.98%,南洋站为0.04%。4站的洪峰水位平均误差为0.58%,洪峰滞时平均误差为0.8 h,主要预报站点的确定性系数在0.7以上,计算时间在30 s以内。将预报模型、工程调度信息与数字孪生流域系统相耦合,总体展示永宁江流域的工情和防汛情况,实现永宁江流域防汛的智慧决策,为调度指挥提供有力的数值分析保障。     

BP网络及遗传算法在河道流量预报中的应用

基于遗传算法的全局搜索和BP网络局部精确搜索的特性,采用遗传算法对BP网络模型进行优化,并将此模型应用于北江流域的坪石-犁市河道的预报流量中.实验结果表明,该算法在提高BP网络的收敛速度和预测精度上是行之有效的,为流量预报提供了一种新的方法.     

基于BP网络的水文预报模型

在BP人工神经网络基础上建立水文预报模型,讨论了模型的学习样本、网络参数和训练方式对预报精度的影响,选出最佳网络参数配置.     

流域水库群水资源调度系统开发及应用

构建了流域水库群水资源调度系统。该系统采用框架结构,与GIS无缝连接并利于添加模型;内嵌GIS控件面轻松实现图形导航、放大、缩小、漫游、标注、图层控制管理;采用分布式流域水文预报模型有效解决了山区降雨分布不均匀问题,提高了水情预报精度。通过2009年"莫拉克"台风降雨过程的霍童溪流域水库群预报调度计算表明:流域水库群水资源调度系统的应用可提高水资源利用率。     

基于BP网络的厌氧序批式反应器预测模型研究

人工神经网络具有较强的自组织、自学习、自记忆联想的能力,更适合处理在已知条件和结果之间无明确关系情况复杂的流域系统。利用实测资料,运用BP网络建立了厌氧序批示反应器出水指标预测模型,引入了Levenberg—Marquardt算法对反应器相关运行参数进行预测,并与机理模型进行了精度比较分析,表明前者精爱高亍冶著,     

人工神经网络在小区域强降水预报应用研究

针对小区域强降水的非线性性质,利用T213数值预报产品,通过人工神经网络建模方法进行预报释用,对数量众多预报因子采用经验正交分解方法,浓缩大量因子的有效信息,建立逐日小区域强降水的人工神经网络预报模型.运用与实际业务预报相同的方法进行逐日预报试验,并与回归预报模型进行比较.结果表明,人工神经网络预报模型对小区域强降水的TS评分为0.67,而逐步回归模型的TS评分仅为0.20.由此可见,人工神经网络具有较强的处理非线性问题能力,在小区域强降水应用中具有更好的预报效果.     

基于改进Elmam神经网络的网络流量预测模型

提出了一种改进Elman动态回归神经网络,在此基础上建立了一种网络流量预测模型,该模型相对于传统的线性模型和BP神经网络模型具有更高的预测精度和更好的自适应性,利用某大学校园网统计得到的实际网络流量数据进行仿真实验,结果表明该模型具有良好的预测效果。     

利用地统计分析及GIS技术实现流域面雨量预报

根据地统计学及地理信息系统(GIS)的空间建模原理,采用工业标准的、开放的、统一的ArcObjects嵌入式组件开发方法,利用多模数值预报,研制并构建精细化的流域面雨量集合预报模型及雨涝区划单元定量降水应用组件,将其动态、无缝地嵌入到GIS应用系统中,自动生成子流域及雨涝区划面雨量预报指导产品.     

一种动态非线性模型传感器的辨识和补偿方法

针对利用Wiener模型表达的具有动态非线性的传感器进行系统辨识和性能补偿。将系统分解为动态非线性环节和静态线性环节,利用函数链人工神经网络和遗传算法分别进行系统辨识,通过静态非线性补偿将系统简化为线性系统,再进行动态性能补偿。利用LabVIEW设计虚拟仪器,经过仿真表明该方法是有效的。     

基于正则化GRU模型的洪水预测

针对传统神经网络模型在洪水预测过程中存在准确性低、过拟合等问题,本文以赣江流域外洲水文站每月平均水位为研究对象,提出基于正则化GRU神经网络的洪水预测模型来提高洪水预报精度.选用relu函数作为整个神经网络的输出层激活函数,将弹性网正则化引入到GRU模型中,对网络中输入权重w实施正则化处理,以提升GRU模型的泛化性能,并将该模型应用于外洲水文站每月平均水位的拟合及预测.实验对比表明,弹性网正则化优化后的模型预测拟合程度较高,合格率提高了9.3%,计算出的均方根误差较小.     

模糊神经网络与SARIMA结合的时间序列预测模型

模糊神经网络和SARIMA模型分别对非线性和线性时间序列有很好的预测能力,但在实际应用中大多数序列并非稳定、单纯线性或非线性的。为了提高预测精度,提出了一种基于T-S模糊神经网络与SARIMA结合的时间序列预测模型。针对悉尼航班乘客收入数据给出了三种混合模型,并与模糊神经网络、支持向量机、SARIMA和BP神经网络四种单独模型进行比较。实验结果表明,从预测精度和参数选择方面来看,所给模型是有效的。     

基于数据预处理灰色神经网络组合和集成预测

当研究的系统扰动因素过大或系统行为在某个时川点发生突变，出现严重扰动系统的异常数据时，提出不应直接按原始数据建模预测，而应根椐实际情况适当地对数据预处理．提出了基于数据修正的改进型灰色神经网络组合和集成预测，并根据南昌火车站旅客发送量时间序列建立了多个模型，从模型预测效果对比中说明数据修正、改进型灰色模型和改进型灰色神经网络、灰色神经网络组合和集成确实能提高预测精度．另外，修正数据要把握一个度，不能修正全部数据，只能修正较异常的数据，要在数据的趋势性和预测的灵敏性间取得平衡。     

基于小波非线性自回归网络的水文预测模型

不同时间尺度上的水文序列预测在水资源调配和防洪减灾决策中起着重要的作用。提出了一种基于小波分解和非线性自回归神经网络相结合的水文时间序列预测模型(WNARN)。运用Daubechies 5(db5)离散小波将水文序列数据分解为低频和高频子序列,作为非线性自回归神经网络模型(NARN)的输入变量,贝叶斯正则化优化算法用来泛化网络,训练模型对各子序列进行模拟预测,预测值经db5小波重构后得到原序列预测值。利用渭河流域三个水文站40多年的月径流量序列对所提出的WNARN模型进行验证和向前48步的预测能力测试,并与单一NARN模型的验证和预测结果进行对比。结果显示在相同的网络结构下所提出的方法能够显著提高水文序列的预测精度、预测周期及对重大水文事件的预测性,具有较高的泛化能力。     

三种神经网络在洪水预报中应用的比较

本文以四川省达州市州河流域的洪水为研究对象,分别采用标准BP算法、Levenberg．Marquart算法和遗传算法来建立洪水预报模型,并对预报结果进行了分析和比较．结果表明：三种算法之中,遗传算法所建立的模型的收敛速度最快,预测结果精度最高,能够避免网络陷入局部极小点．     

CPSO算法优化神经网络重构的网络流量预测

为了提高网络流量的预测精度,提出了一种混沌粒子群算法优化相空间重构和神经网络的网络流量预测模型(CPSO-BPNN)。利用混沌粒子群算法对BP神经网络初始参数、延迟时间、嵌入维数进行优化,根据延迟时间、嵌入维数对网络流量数据进行重构,BP神经网络根据初始参数进行训练建立网络流量预测模型,通过仿真实验对模型性能进行测试。结果表明,CPSO-BPNN可以准确描述网络流量的复杂变化趋势,提高了网络流量的预测精度。     

模拟退火PSO的神经网络的网络流量预测模型

为解决网络流量时间序列的预测问题,针对传统BP神经网络的网络流量时间序列预测模型容易陷入局部极小值的不足,提出一种基于模拟退火的微粒群算法训练神经网络的网络流量时间序列预测模型.将模拟退火算法和基本粒子微粒群算法相结合,设计出一种基于模拟退火的微粒群算法.利用基于模拟退火微粒群算法优化BP神经网络的权值和阀值,对实际采集的网络流量时间序列进行建模.实验结果表明,基于模拟退火的微粒群算法训练的神经网络具有较高的预测效果,相对于传统的神经网络模型具有更高的预测精度和良好的自适应性.     

股票价格预测的建模与仿真研究

研究股票价格准确预测问题,由于股票价格数据具非线性、随机性等变化规律,同时股票市场与国内外经济政治变化有关,传统股票价格预测方法只能对其线性变化规律进行准确预测,无法反映股票价格非线性部分进行有效建模,导致股价预测精度不高。为了提高股票价格预测精度,提出了一种遗传优化BP神经网络的股票价格预测模型。充分利用BP神经网络良好的非线性映射能力,对股票价格变化规律进行建模,并通过遗传算法对BP神经网络模型参数进行优化,从而获最优股票价格最优预测模型。实验结果表明,相对于传统股票价格预测模型,遗传算法优化BP神经网络的股票价格预测模型拟合程度更好,预测精度更高,为股票价格预测提供了依据。     

基于小波神经网络法的短期风电功率预测方法研究

基于小波与BP神经网络,提出一种小波与BP神经网络结合的方法对短期风电负荷进行预测。运用小波能够精确地提取时间序列的细微特性和BP网络的输出反馈作为输入神经元数据增加了数据信息量的特点,构建了小波神经网络预测模型,经实际数据证明该方法提高了预测的精确性。     

基于LM-BP神经网络的莺落峡河段糙率推测分析

分析天然河道糙率值的主要影响因素,基于LM-BP神经网络预测模型,提出黑河莺落峡水文站测验河段糙率值的推求方法.对网络模型的设计、训练、测试进行研究和分析,预测模型输入量为水位Z、水力半径R及水面比降S,输出量为糙率n,样本集为黑河莺落峡水文站测验河段的历史实测糙率值.根据测试结果可以得出:在误差允许范围内,采用LM-...