神经网络模型在脱氮预报中的应用

讨论了人工神经网络方法在含氮量预报上的应用策略 ,并建立了一个 6 - 7- 1结构的三层 BP网络模型 ,进而分析了 BP网络模型在实际应用中存在的问题 ,对 BP网络算法进行了改进 ,在基于改进的神经网络算法基础上 ,使用 C语言实现了程序设计 ,采用收集的 6 7组实验数据进行了离线学习 ,完成了对网络的训练 ,并用训练好的网络模型对 1 2组样本进行测试 ,预测值误差在± 1 0× 1 0 - 6范围内时命中率为 74% .     

BP神经网络在洪流预报中的应用

通过归纳分析,结合实际的采集数据,对降雨径流预报的人工神经网络模型进行了改进,并针对不同的预报系统,采用改进的自适应BP算法进行分析,指出了今后洪流预报发展的方向.     

黑龙江省洪水预报系统在小流域洪水预报中的应用

黑龙江省洪水预报系统包括模型率定子系统、实时作业预报子系统和系统管理3部分.针对预报站点具体情况,对测站通过模型参数率定及方案输入制定预报方案,连接实时和预报水情数据库,对发生实时暴雨做出预报分析.根据本流域实际情况,开发出适合本流域情况的模型,导入到系统中.     

遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.     

洪水预报模型软件在洪水预报调度中应用

文章对洪水预报模型软件在"05.9"洪水预报调度中应用进行了总结,分析了预报误差的原因,提出了改进建议.     

ARMA模型在洪水预报中的应用

ARMA模型在随机水文学及其他领域中有广泛的应用。近年来,在水文预报领域中已开始广泛采用形式上近似于这类模型的一些方案。在随机水文领域中为了消除系列不平稳的影响,常由实测资料减去系列均值。而水文预报中一般是直接采用实测资料建立ARMA模型。本文拟采用实测资料减去季节均值后的中心化变量作为模型中的变量,这样既可消除季节因素的影响,也可利用季节均值为预报服务。再辅以迭代最小二乘法使参数处于在线估计状态,就可使ARMA模型在洪水预极中得到较好的应用。从模型在雅砻江沪宁至小得石河段(多输入,单输出系统)的应用来看,效果不错。     

以地下径流为主的洪水预报模型研究

研究了以地下径流为主的洪水预报模型，针对新安江模型的缺点提出了改进新安江模型，同时介绍了人工神经网络的原理并将其应用于洪水预报模型的研究。     

滑动自回归模型在洪水预报中的应用

水文预报中一般是直接采用实测资料建立滑动自回归（ＡＲＭＡ）模型,现采用实测资料减去季节均值后的中心化变量作为模型中的变量,既可消除季节因素的影响,也可利用季节均值为预报服务。再辅以迭代最小二乘法使参数处于线估计状态。ＡＲＭＡ模型在雅砻江泸宁站至小得石站河段的应用效果很好。     

改进的BP神经网络在潮汐预报中的应用

应用传统的调和分析方法对潮汐水位进行预报时,要想获得精确的潮汐预报水位,需要大量的长期潮汐观测数据.为了突破传统方法的限制,应用一种改进的BP神经网络模型,利用短期的潮汐观测数据,对潮汐水位进行精确有效的预报.结果显示,对比传统的调和分析方法,应用改进的BP神经网络模型可以有效的改善潮汐水位的预报精度.     

基于遗传算法的自适应时序洪水动态预报模型

神经网络适于对复杂的非线性系统建模,而遗传算法具有并行处理及全局优化的功能,利用遗传算法优化网络拓扑结构及网络连接权,可以实现网络模型的优化。论述了人工神经网络及遗传算法,给出了利用遗传算法用于优化网络拓扑结构和网络连接权的新设计方法,提出了自适应时序洪水动态预报模型,并给出了实例预报结果。     

基于聚类分析的人工神经网络洪水预报模型研究

应用模糊C均值(FCM)和自组织映射网络(SOM)两种方法将洪水流量过程线进行分解,并聚成不同的类别,结合多层前馈神经网络(MFN)建立了两个综合神经网络模型(FCMMFN和SOMMFN),进行洪水预报。在王家厂水库流域洪水预报的应用结果表明,两种聚类方法能够将流量过程分解为具有不同内在规律的若干过程,两种综合神经网络模型预报精度均优于单一的多层前馈网络模型,而且FCMMFN的精度高于SOMMFN。     

神经网络在城市用水量预测中的应用研究

考虑城市用水量受众多因素影响 ,具有系统稳定性和非线性的特点 ,探讨了基于神经网络的城市用水量预测的非线性时间序列递推预测方法 ,并利用该方法对郑州市城市用水量进行了时间序列模拟 ,实例证明了该方法的正确性和科学性 .将神经网络的BP算法应用于城市用水量系统的建模和预测 ,并给出了较为详细的计算结果 ,具有一定的理论价值     

模糊神经网络系统在黄河防洪决策中的应用

运用防洪决策分析技术能最大限度地发挥防洪工程体系的作用 ,减小洪水灾害的损失 .但防洪决策涉及到许多不确定因素 ,具有明显风险决策特性 .将模糊系统和神经网络相结合 ,建立决策分析模型可使这一问题得到较好的解决     

基于混沌分析的BP神经网络模型及其在负荷预测中的应用

结合混沌分析理论和BP神经网络，提出在混沌相空间建立BP神经网络模型。运用混沌方法构成训练样本及确定神经网络的网络结构，用神经网络拟合相空间相点演化的非线性关系。并利用该模型对具混沌特性的电力系统日负荷时间序列进行短期预测，对比了标准BP网络模型和混沌线性回归模型的预测结果，结果表明基于混沌分析的BP神经网络模型的预测精度较高。     

鸭绿江感潮河段洪水预报模型的修正

鸭绿江感潮河段47 km,现有洪水预报模型在大潮预报时有明显的缺陷,问题的主要原因是没有明确体现洪峰到达时间与潮汐两高两低涨落时间的叠加。为此,对高低潮的影响以3 h为一段进行时间离散化处理,确定8个时段内的潮位值,作为附表在模型中进行应用,相对定量地确定了模型L3与L4线间的预报值幅度选择,实例应用预报精度提高到允许误差的10%,预测准确。     

基于BP神经网络数学模型的短期负荷预测研究

讨论如何利用人工神经网络进行电力系统短期负荷预测。研究结果表明:基于BP神经网络的短期电力负荷预测具有精度高的特点,符合预测结果的相对误差小于3.06%。     

基于粒子群BP神经网络的短期电力负荷预测

电力负荷预测通常采用神经网络方法,该方法训练时间较长,并且由于负荷受到气象因素影响,该算法预测的精度不是很高.为了克服当前存在的问题,采用粒子群算法优化BP神经网络的权值和阈值,归一化处理气象因素,利用神经网络预测短期电力负荷.实验结果表明,该方法比单纯BP神经网络预测具有明显优势.     

基于BP神经网络的宏观经济季度预测

运用BP神经网络预测技术对季节性宏观经济数据进行了预测,筛选出效果优良的模型,提出了对于季节性时间序列一般的神经网络建模步骤。     

基于灰色理论和神经网络的短期电力负荷预测

利用灰色理论中累加生成方法能够削弱负荷中随机成分的特点,以及人工神经网络可以逼近任意函数的能力,对具有任意变化规律的数据序列进行拟合和预测．实验结果表明,基于灰色理论和神经网络的最优组合模型的平均相对误差为1．307％,比BP神经网络预测和灰色理论模型预测的精度更高,具有明显优势．