基于相关向量机的调水工程调蓄水位预测模型

调蓄水位与其影响因素之间存在着复杂的非线性关系,针对BP神经网络模型的局限性,选取泵站开启时间差、起调水位、入流量、出流量作为主要影响因素,建立一种基于相关向量机(relevance vector machine, RVM)的调水工程调蓄水位预测模型。通过实例应用表明在相同样本情况下与BP神经网络模型预测结果相比,RVM预测模型均方根误差和平均绝对误差均小于BP神经网络预测模型的预测结果,说明在调水工程调蓄水位的预测中,RVM预测模型具有精度高、离散性小等优点,为调水工程调蓄水位的预测提供了一条新途径。     

基于BP神经网络的河道断面变形预测模型

采用“试错法”,以及通过建立网络训练学习过程与网络特征参数之间的反馈机制,对BP神经网络隐含层单元数和特征参数进行优化选择。在此基础上,以河段水沙条件、水流主流位置及河道边界条件为输入向量,河道断面高程或冲淤变形为输出向量,建立了基于BP神经网络的河道断面变形预测模型。经长江中游马家咀河段实测资料验证,模型能准确模拟和预测该河段各断面的冲淤变化过程。     

基于BP神经网络的地下水位变幅预测模型

为提高地下水位预测模型精度,文章通过长治盆地内5个代表雨量站降雨数据,采用泰森多边形法,得到盆地平均降雨量,结合长治盆地各分区6个代表监测井,采用算数平均法得到盆地浅层地下水位,通过分析浅层地下水位影响因子,得到了地下水位变幅的关键因子"降水",采用BP神经网络,建立了地下水位变幅预测模型,确定性系数达到0.98.     

基于BP神经网络的拱坝温度监测数据预测模型

实时监控拱坝的温度对工程进度和坝体安全具有重要意义.以白莲崖碾压混凝土拱坝温度监测数据为研究对象,建立基于MATLAB的拱坝温度监测反向传播(BP)神经网络预测模型,用原型观测数据对其进行校核和检验,并引入灰色理论中的GM(1,1)模型、混沌模型(最大Lyapunov指数法)与预测结果进行比较.结果证明,用人工神经网络建立坝体变形的神经网络模型对大坝变形能够进行较高精度的预测,具有良好的应用前景.     

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。     

基于GM和BP网络的年均流量组合预测模型

以岷江紫坪铺测站1937～2004年的实测流量资料为依据,运用灰色拓扑预测方法,在建模过程中将GM(1,1)模型、无偏GM(1,1)模型以及GM(1,1)改进模型与BP神经网络进行优化组合,建立年均流量组合预测模型.本文采用1995～2004年的年均流量资料对模型进行检验,结果表明,预测相对误差值较为合理,可以作为年均流量预测的有效方法.     

基于BP神经网络的区域地下水位动态预测

地下水系统是一个高度复杂系统,地下水位与其影响因素之间存在非线性映射关系,人工神经网络则是处理非线性问题的有效方法。把影响区域地下水位动态的5个主要因素作为网络输入向量,地下水位本身作为网络输出向量,采用快速BP算法构造地下水位动态预测的BP神经网络模型,最后将该模型应用于河套灌区义长灌域地下水位动态预测。结果表明,BP神经网络用于区域地下水位动态预测时有较高的精度。     

基于BP神经网络的不同时间尺度泵站前池水位预测模型

针对建筑物调控下的水位预测难题,建立基于BP神经网络的泵站前池水位预测模型,在不同时间尺度下分析时间序列、影响因子、预报因子对水位预测精度的影响.将构建模型应用于胶东调水工程东宋泵站,研究结果表明:在数据总量一定的情况下,训练期和预测期之比为7:3时,预测结果较好;数据量越大,保持一定预报精度所需要的正相关的影响因子数...     

基于BP神经网络的不同时间尺度泵站前池水位预测模型

针对建筑物调控下的水位预测难题,建立基于BP神经网络的泵站前池水位预测模型,在不同时间尺度下分析时间序列、影响因子、预报因子对水位预测精度的影响。将构建模型应用于胶东调水工程东宋泵站,研究结果表明：在数据总量一定的情况下,训练期和预测期之比为7∶3时,预测结果较好;数据量越大,保持一定预报精度所需要的正相关的影响因子数量越多;短时间内,预测时间间隔与数据本身时间间隔相同时,预测效果更好。该构建模型能够满足明渠调水工程泵站前池的水位动态预测需求,实现泵站前池水位的2 h准确预测和4 h一般准确预测,同时可在其他类似明渠调水工程中推广应用。     

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。     

基于小波分析的NARX神经网络在水位预测中的应用

高精度的水位预测能为防洪决策、水资源管理等提供重要的调度依据,减少洪旱灾害损失。为提高预报精度,提出一种基于小波分析的NARX神经网络模型(DWT-NARX),综合考虑洪泽湖入湖流量、出湖流量、周边用水、前期水位等因素,对洪泽湖日水位进行预报,并与BP神经网络、NARX神经网络模型进行比较。结果表明,三种模型在短历时预报中均取得了较好的模拟预测效果。当预见期为1或2天时,Nash-Sutcliffe效率系数均大于0.9,合格率大于85%;当预见期超过3d,NARX模型在水位变幅较大的时段预测结果变差,BP模型出现严重的震荡现象,NARX和DWT-NARX模型结果均优于BP神经网络,DWT-NARX在整体上结果最优。研究成果可为洪泽湖的水位预报提供一定的参考价值。     

秦淮河流域东山站水位预报研究

为提高秦淮河流域东山站水位预报的精度,基于BP神经网络算法建立经验预报模型,分别根据降雨历时、起涨水位两种模式对水位涨幅进行预报。分析了两种模式预报结果,选出最优的预报模式,并用混合线性回归模型作为预报精度的参考验证。结果显示,BP神经网络模型的预报精度高于混合线性回归模型,而且BP神经网络模型两种预报模式的结果都达到了乙级标准以上,根据起涨水位的预报模式效果更好。     

新疆博斯腾湖的水位动态短期预测研究

由博斯腾湖1956～1998年的水位动态变化特征可知,其水位具有明显的季节性变化特征,根据1956～1996年的实测水位数据,分别建立了ARIMA(1,l,2)x(0,l,1)12模型和BP神经网络模型,对1997～1998年的博斯腾湖水位进行了预测.结果表明,ARIMA模型和BP网络模型可以进行比较准确的短期预测,而且BP网络的预测更准确,但长期预测误差较大.     

基于GRA-NARX神经网络的泵站站前水位预测模型

针对多种水工建筑物相互作用和影响下的泵站水位预测难题,提出基于GRA-NARX（grey relation analysis-nonlinear autoregressive model with exogenous inputs）神经网络的泵站站前水位预测模型。该模型包括灰色关联分析(GRA)和NARX神经网络两部分,利用3种训练算法和不同时间延迟分别对密云水库调蓄工程屯佃泵站站前水位进行2 h预测,并与NARX模型和GRA-BP(grey relation analysis-back propagation)模型的预测结果进行比较。研究结果表明,GRA-NARX-BR(grey relation analysis-nonlinear autoregressive model with exogenous inputs-bayesian regularization)模型用于水位预测能够比较全面地考虑影响因子,预测精度高,相关系数最高达0.986 62,均方根误差最小为0.008 6 m,预测效果比NARX模型和GRA-BP模型好,且时间延迟越长,均方根误差越小。模型也可在其他调水工程中推广使用。     

基于神经网络的闸门水封止水性能预测模型研究

针对闸门水封止水性能研究计算量大、效率低的问题,基于神经网络算法建立一种闸门水封止水性能预测模型。首先,对 P 型水封止水装置进行有限元仿真,得到了 106 个工况下 P 型水封的接触宽度、接触应力及封头偏移量;其次,基于 BP 神经网络算法建立输入特征为预压量及库水压力,输出特征为接触应力、接触宽度及封头偏移量的预测模型;最后,以 20 个工况下水封仿真算例为样本对预测模型进行训练并采用训练后的模型对其余工况下水封的仿真结果进行预测。模型预测结果较好,对水封接触宽度、接触应力、封头偏移量预测平均误差分别为 0.48%,0.63%,0.71%。结果表明,基于神经网络的闸门水封止水性能预测模型仅需少量训练样本即可对水封止水性能取得较好的预测效果,能够显著减少闸门水封性能研究的工作量。     

森林覆盖率变化对流域洪水特性影响的数值模拟

为解决无资料断面水位预报问题,提出BP神经网络与MIKE11模型耦合方法。通过小时尺度的洪水场次数据,选取水位、降雨和前期影响因子进行相关性分析;筛选出预见期12 h及24 h兰江流域水位关联度最高的预报因子,以多元线性回归(MLR)和反向传播神经网络(BPNN)模型构建兰溪站不同预见期下的水位预报模型;并利用Mike NAM-HD机理模型推演未设测站断面的水位数据,通过BP神经网络进一步构建兰江流域无资料断面的水位预报模型。结果表明：（1）BPNN模型对长预见期下的水位预报效果优于MLR模型;（2）随着预见期的延长,BPNN模型的纳什效率系数逐渐降低;（3）对比筛选预报因子前后BPNN模型的纳什效率系数,12 h及24 h预见期下分别提升9.0%、34.7%;（4）提出的耦合BP神经网络和MIKE11模型方法可应用于无资料断面的水位预报。     

基于MATLAB下BP神经网络的边坡稳定性预测

将MATLAB中的BP神经网络引入到边坡稳定性研究中,但由于标准的BP算法存在收敛速度慢、容易陷人局部极小点等缺点,为此采用各种改进及优化的算法,以寻求更适合边坡稳定性预测研究的算法。本文结合了大量边坡实例,经过理论分析和实例测试,能显著提高训练速度、减少收敛周期,达到很好的边坡稳定性预测结果。     

LM—BP神经网络在于桥水库水质预测中的应用

利用BP神经网络的改进算法（L-M）,通过对大量样本进行多次的训练学习,建立于桥水库水质预痢模型,用该模型对于桥水库高锰酸盐指数、五日生化需氧量、氨氮、溶解氧等污染指标进行了预测,预测结果表明,LM—BP神经网络模型用在于桥水库水质预测时是可行的,可以得到较为理想的的精度和可靠度。     

利用灰色-BP神经网络组合模型对延吉市地下水位预测

针对延吉市地下水位变化情况,利用灰色--BP神经网络组合模型对地下水位变化趋势进行预测,提出地下水位的预测不能仅限于一种方法,应在充分分析影响水位变化各因素的基础上,采用合理的方法预测.