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.     

基于PSO-水量平衡-BP耦合模型的短期水位预测

为降低水电站长期运行过程中频繁的无规律动作对于水头高、库容小、调节性能差的水电站造成的损害,最大限度利用水头优势增发电量,提高水电站运行的效益性和安全性,提出了一种机理与数据混合驱动的水位预测方法。该方法通过PSO(Particle Swarm Optimization)算法优化耦合BP(Back Propagation)神经网络和水量平衡模型,其中,数据驱动模型提供基准值,水量平衡机理模型修正水位趋势的合理性;将该方法应用于沙坪二级水电站的水位预测,对比分析水量平衡模型、BP神经网络模型和耦合模型预测结果。结果表明：提出的耦合模型有效避免了机理模型的累积误差和数据驱动的反常性;相对于水量平衡模型和BP神经网络模型,该耦合模型具有较高的预测精度和实用性,其平均绝对百分比误差MAPE和拟合优度R²分别为0.001 3和0.97,预测幅度更贴近真实水位。研究成果可为水电站面对短期的水位变化提前做出反应提供理论依据。     

基于AFSA-灰色神经网络模型的大坝裂缝预测

针对灰色神经网络模型的权值和阈值是人工随机初始化的,当对相关问题进行预测时,容易陷入局部最优解,导致预测精确度偏低的问题,采用人工鱼群算法(AFSA)对灰色神经网络的初始参数进行优化,构建AFSA-灰色神经网络预测模型,并利用该模型对某大坝的裂缝开度进行预测。与传统的BP神经网络、灰色神经网络的预测结果对比表明:AFSA-灰色神经网络模型的预测精确度更高,可以对大坝裂缝开度进行预测。     

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。     

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。     

基于神经网络误差修正灰色模型的基坑位移预测

一般情况下,基坑工程位移的发展趋势可以分为3种类型,传统GM(1,1)模型由于模拟曲线为指数曲线,因此只适合于第1类趋势的位移时间序列建模。在无偏GM(1,1)模型的基础上建立修正曲线型无偏灰色预测模型和生长曲线型无偏灰色预测模型,适合于第2、3类趋势的位移时间序列建模。结合神经网络的非线性描述能力以及无偏灰色预测模型的趋势预测能力建立神经网络误差修正灰色模型。基坑位移预测实例应用结果显示,神经网络误差修正灰色模型能很好地描述基坑位移的非线性发展。     

灰色马尔科夫模型在寸滩站年最高水位预测中的应用

本文将灰色系统理论与马尔科夫链理论相结合，建立灰色马尔科夫预报模型，对寸滩站年最高水位进行预报分析。从模拟效果分析，计算值与实际值大体吻合。模型可推广应用长期水文预报中。     

灰色神经网络组合模型及在滑坡预测中的应用

提出将灰色GM(1,1)预测模型与神经网络预测模型结合起来,建立灰色神经网络预测模型,对滑坡变形位移进行预测.此方法为串联型灰色神经网络组合模型,是指用神经网络识别灰色GM(1,1)所得的预测值和实测值之间的未知关系,去修正灰色系统所得的预测值.实例表明:此种预测模型预测精度高、所需样本少、有效以及在滑坡预测中有着良好的应用前景.     

基于BP神经网络模型的黄龙滩电厂下游水位流量关系分析

丹江口大坝加高后,回水顶托对黄龙滩电厂产生了一系列不利影响,在分析这些不利影响的过程中,需要计算丹江口大坝到黄龙滩电厂的水位流量关系。而传统的水力学方法计算量大,且过程复杂。为了能够简单高效地进行水位流量关系的计算,提出了一种基于BP神经网络模型的方法,将丹江口水库到黄龙滩电厂的河道分为两段,构建两个BP神经网络模型分别进行模拟计算。结果表明:丹江口水库至堵河口的模型的水位模拟结果最大偏差为0.011 m,均方根误差为0.003 3 m;堵河口至黄龙滩电厂的模型的水位模拟结果最大偏差为0.246 9 m,均方根误差为0.084 1 m。两个模型的模拟精度都较高,证明该方法具有可行性。     

灰色模型和BP神经网络模型在城市时用水量预测中的应用比较

在城市时用水量预测模型中,灰色模型和BP神经网络模型是两个应用较为广泛的模型,是它们有着各自的优缺点,预测精度也不相同.本文以南方某市为例,基于两种模型的预测原理,利用MATLAB数学软件对该市的时用水量进行了预测,并对两个预测模型的预测结果进行了误差比较分析,得出了BP神经网络模型是适合该市的时用水量预测模型.     

基于改进BP神经网络的水分入渗参数预测模型

基于晋北盐碱地土壤水分原位入渗试验,建立了容量为150组的盐碱地Philip入渗模型参数样本,借助MATLAB软件,分别构建基于最值归一化法、联合归一化法的BP神经网络预测模型,其中模型的输入变量为土壤基本理化参数,输出变量为Philip入渗模型参数吸渗率S和稳渗率A,由两模型的预测结果发现,预测误差均小于6%,在建模误差允许范围之内,所建模型可靠;对比模型预报结果发现,联合归一化法处理过的输入数据更具代表性,且提高了网络收敛速度及预测精度。用实测资料对基于联合归一化法建立的模型进行精度检验,结果表明对入渗参数预测的相对误差均小于10%,模型预报精度较高,可满足实际应用的要求。     

人工神经网络模型在黄河水质预测中的应用

采用画匠营子断面2004-2009年逐周水质指标资料作为神经网络模型的训练样本,对BP神经网络进行训练,分别建立了pH值、溶解氧、氨氮、高锰酸盐指数的预测模型.为了验证模型的正确性,利用训练好的神经网络模型,采用调整后的权值和阈值,将2010年的数据作为独立样本进行预测检验.结果表明:基于BP神经网络的水质指标预测模型收敛速度快,对训练样本具有很好的拟合能力,且对检验样本的预测精度较高.     

基于中心逼近式灰色神经网络模型的水质预测

对时间序列建立中心逼近式GM(1,1)模型,通过优选模型的m值弱化序列变幅,利用BP神经网络对该模型残差值进行拟合修正,以此构建一个基于中心逼近式GM(1,1)模型的灰色神经网络预测模型.应用实例的计算结果表明,该模型可提高水质预测精度.     

基于改进BP神经网络的大坝变形监测模型预报

变形监测是大坝安全运行的重要保证,结合白石水库混凝土坝真空激光X向位移资料进行分析,提出应用改进的BP神经网络思想建立的安全监测模型,结合对相关数据参数进行系统性的研究,并与传统BP神经网络模型训练、预测结果对比,得出改进的BP神经网格模型优于传统BP神经网络模型,具有一定抗差能力,能够降权使用可疑值,相关系数较高,预测精度好,可在实际中广泛运用。     

基于 RAGA 的 GM(1,1)-RBF 组合需水预测模型

建立了基于实码加速遗传算法（real coded accelerating genetic algorithm, RAGA）的灰色 (grey model,GM(1,1)) 径向基函数 (radial basis function, RBF) 神经网络预测模型。该模型克服了传统 GM(1,1) 模型存在明显系统误差和容易陷入局部最优的缺点 , 具有 GM(1,1) 模型对数据确定性方面把握的优点 , 同时融合了人工神经网络在不确定因素预测方面的优势。 运用该模型对山西工业需水量进行预测 , 预测表明该模型相比单个传统模型具有相对较高的预测精度,验证了 GM(1,1)-RBF 组合模型在中长期需水预测应用中的合理性,对相关政策的制定有一定参考价值。     

基于误差修正的BP神经网络含沙量预报模型

以黄河龙门—潼关河段作为研究区域,在分析区间来沙来水对含沙量影响的基础上,建立了基于BP神经网络的潼关站含沙量过程预报模型。同时,为提高预报模型的预报精度,利用误差序列建立了相应的误差自回归模型对预报结果进行校正。校正前后泥沙过程的对比分析表明,校正后的泥沙过程预报精度有较显著的提高,5场验证泥沙场次的平均确定性系数由校正前的0.35提高到校正后的0.76。     

耦合动态方程的神经网络模型在水质预测中的应用

水质变化趋势的有效预测对于水资源综合管理具有重要意义。针对现有数据驱动模型不能有效反映研究对象物理机理的问题,提出了一种耦合动态方程的神经网络模型,并给出了动态方程的耦合方法。分别从数值算例和实际案例2个方面对传统网络模型和机理先验前馈网络模型进行了对比计算分析,拟合程度指标和计算误差指标都表明机理性先验知识的加入可以提高网络模型的预测精度和非线性拟合能力。同时,该模型在水质预测中具有适用性和合理性。在样本数量一定的情况下,机理性先验知识的耦合是进一步提高网络计算精度的有效途径。     

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。     

基于神经网络的城市日用水量预测

分析了影响城镇日用水量的非线性因素,利用人工神经网络,选择影响城市日用水量的主要因素。建立城镇日用水量预测模型,并将该模型的预测效果与传统的日用水量模型预测效果进行比较,结果显示该模型的预测精度更高、所需时间更短、更适用于影响因素较多的城市日用水量的预测。     

改进证据理论融合灰色神经网络的水质预测

针对水质预测过程中样本数据少的特点,引入了改进证据理论和灰色神经网络相结合的组合预测方法。首先利用灰色神经网络作为单一模型对水质进行初步预测,再用神经网络对预测结果进行分析建模,得到每个单一预测模型的可信度,最后采用改进证据理论进行融合决策,以获得各单一预测模型的权重,从而实现了水质的组合预测。实例分析结果表明,该方法拟合误差小、预测精度高。