基于未确知盲数的BP模型及其在年径流预测中的应用

针对未确知盲数可展现信息真实的数量及状态,将未确知盲数与BP网络耦合,提出了以未确知盲数为网络输入、预测对象为输出的BP模型,模型预测结果为具有置信度与置信区间的盲数,并将基于未确知盲数的BP模型用于年径流预测。结果表明,该模型有效,预测结果可供借鉴。     

基于相空间重构的BP神经网络月径流预测模型及应用

针对径流时间序列的非线性特点,利用重构相空间的嵌入维数确定神经网络结构,建立了基于相空间重构理论的BP神经网络月径流预测模型,并采用该模型预测了瀑布沟水库的径流时间序列。结果表明,该BP神经网络预测模型收敛速度快、预测精度较高。     

小波网络耦合模型在地下水位动态预测中的应用

针对河套灌区地下水位预测问题,结合小波变换的时频局部特性和神经网络的逼近功能,构建了两种不同耦合方式下小波和BP神经网络相结合的小波网络模型,比较了不同耦合方式下小波网络模型与单纯神经网络模型的预测效果。两种耦合方式下的小波网络模型模拟结果均比单纯使用人工神经网络模型更接近实测值,对低频信号序列及高频信号序列分别进行神经网络模型预测后再进行重构的预测方式比直接将小波分解的多级信号与神经网络结合的预测方式具有更好的预测效果。     

BP网络模型在大型泵站用电量预测中的应用

针对大型泵站年用电量的非线性规律，提出应用BP网络模型的预测方法。该方法采用误差逆传播学习规则，具有较强的非线性拟合能力，实例计算分析表明，与线性回归模型预测方法相比较，BP网络模型对大型泵站年用电量的预测是有效的。     

基于小波分析的两种神经网络耦合模型在月径流预测中的应用

为提高河川径流的中长期预报精度并延长其预见期,采用小波分析充分提取有用信息,基于BP神经网络和GRNN神经网络,构建了两种小波神经网络耦合模型,测试了Daubechies族中9种母波函数对模型模拟效果的影响,并采用合格率(Q_(QR))、平均相对误差(M_(MPRE))、均方根误差(R_(RMSE))和确定性系数(N_(NSE))等指标评价了模型精度。将该模型应用于金沙江流域向家坝水文站未来1~5个月的径流预报,结果显示,相比于传统BP和GRNN模型,耦合模型具有明显优势,且基于小波分析的BP模型预报结果更接近实测值,预报精度更高,其未来4个月的平均相对误差在±20%以内。表明小波分析方法能充分挖掘隐藏在原始数据中的有用信息,可有效提高耦合模型的预报精度延长预见期,在径流预测方面有明显的优越性。     

合成BP网络在汽轮发电机组振动预测中的应用

为了克服常规BP网络饱和性的问题,采用了合成BP网络,并在训练中加入了附加动量法和自适应学习速率法。应用时间滚动技术,实现了振动峰峰值的多时间间隔预测和多步预测。     

基于小波分析和灰色BP神经网络的滑坡位移预测

滑坡位移时间序列预测对滑坡灾害预警和防治具有重要意义。滑坡位移时间序列具有高度的非线性特征,含有大量噪音且采用常规非线性模型难以准确预测。对此,提出基于小波分析(WA)—灰色BP神经网络的滑坡位移预测模型。该模型先采用小波分析法将滑坡位移时间序列分解为不同频率分量的滑坡子位移,然后采用灰色BP神经网络对各滑坡子位移进行预测,在此基础上将预测得到的各子位移值相加,最终得到预测出的滑坡位移值。以GPS监测获得的郑家大沟滑坡#1监测点的位移时间序列为例,采用WA-灰色BP神经网络模型对其位移进行预测,并与WA-BP神经网络模型及未进行小波分析的单独灰色BP神经网络模型进行对比分析。结果表明,WA-灰色BP神经网络模型准确预测出郑家大沟滑坡#1监测点的位移值,且具有比WA-BP神经网络模型和单独灰色BP神经网络模型更高的预测精度。     

基于经验模态分解的年径流组合预测模型

针对年径流量时间序列非线性、非平稳的问题,采用经验模态分解法(EMD)实现对年径流的多时间尺度、多层次分解,获得简单且平稳性较好的分量,分别选择合适模型对各分量不同变化规律进行合理预测分析,再将各分量预测值结合,重构原始序列年径流预测值,进而建立基于EMD的年径流组合预测模型,并应用于桂江流域年径流预测中.结果表明,该模型预测结果稳定可靠、精度较高,具有推广应用价值.     

基于小波变换的组合随机模型及其在径流随机模拟中的应用

首先对原始水文序列施行A Trous小波分解，得到各分过程，再对分过程进行分析与识别，确定它们所具有的主要成分。然后分别建立适当的随机模型，最后运用A Trous重构算法得到原水文序列的组合随机模型。以屏山站年径流过程为例进行随机模拟研究。结果表明该法概念清晰，结构简单，方便实用。     

基于加权秩次集对分析法的年径流预报模型

针对秩次集对分析方法在年径流预报中存在的问题,对其历史集合中的各元素所在位置与后续值的位置之间的间隔赋予了不同的影响权重,构建了年径流加权秩次集对分析预报模型,给出了模型在年径流预报应用中的步骤,利用黑河干流莺落峡站1945～2009年的实测径流资料检验了该模型的有效性,并与秩次集对预报模型、ARIMA预测模型及BP预测模型的预测结果进行了比较。结果表明,加权秩次集对预报模型的平均误差为12.29%、合格率为100%,本文对秩次集对预报模型的改进有效、可行。     

基于LH-BP松散耦合模型的日径流预测

鉴于基流过程对降雨不敏感,致使传统的BP神经网络日径流预测性能受到制约的问题,结合LyneHollick(LH)数字滤波算法和BP算法的优点,建立了基于LH分割基流与BP神经网络日径流预测的松散耦合模型(LH-BP)。先采用LH数字滤波算法分割出基流,再利用BP神经网络预测锦江流域四个水文站的直接径流和基流。结果表明,LH-BP耦合模型较传统的BP模型性能更优,弥补了传统的BP模型对日径流模拟与预测的不足。     

年径流变化的BP神经网络预报模型研究

针对现有基于线性方法的年径流预报模型预报精度不高的问题,利用乌江洪家渡1963~2016年径流系列资料,以5~10月月平均流量作为预报影响因子,构建以年径流量为预报对象的BP神经网络模型,形成6-11-1的网络结构,并选取泛化能力强的贝叶斯规则法TRAINBR为训练函数。模拟结果表明,模型预报效果良好,对于年径流预报具有实用价值;BP神经网络模型相比逐步线性回归方法能更精确表达年径流预报因子与预报对象的映射关系;采用的训练函数TRAINBR能有效改善模型的泛化能力。研究成果可为径流预报提供参考。     

基于BP神经网络的大伙房水库洪水预报

鉴于大伙房水库洪水预报模型为集总式模型,其参数不仅需要优选法选定或人工试错法确定,还需要实时校正,因此根据大伙房流域特点提出了一种半分布式BP神经网络洪水预报模型,实现了模型中参数的自动率定,且由于其半分布式的特点还规避了原集总式模型的部分劣势。即采用DEM和ArcGIS根据水文站及自然流域分水线划分流域,创建BP神经网络,然后应用于各子流域断面及入库断面,预报其流量值,并在每个网络中均运用逐步回归分析法对输入层数据进行筛选,以得到影响最显著因子。将所建模型应用于大伙房水库,预报精度较好,可用于大伙房水库的正式预报。     

灰色自记忆模型在年径流预测中的应用

为探索提高年径流预测精度的简单有效途径,以GM(1,1)微分方程为动力核建立了灰色自记忆模型,并应用于寸滩站年径流的拟合和预测中,取得了良好的效果。与组合模型相比,该模型结构简单并具有较高的拟合和预测精度,可应用于年径流序列的预测之中。     

WANN模型的改进及日径流预测中的应用

介绍基于小波分析建立的人工神经网络模型的方法原理,并给出构造模型的一般步骤及关键算法。针对一般BP算法收敛速度慢,易陷入局部极小值的缺陷,受Fletcher—Reeves线性搜索方法的启发．提出基于改进共轭梯度法的BP算法。利用此优化模型对日径流进行模拟与预测,实验表明,基于小波分析的人工神经网络模型在日径流模拟过程中具有很好的仿真能力．训练后的模型用于预测具有较高的精度。