基于RBF神经网络的城市需水量预测——以济南市为例

以济南市需水量为研究对象,运用径向基函数（RBF）神经网络建立预测模型,用1996—2008年13年济南市需水量数据,分析影响需水量的因素,确定多个关键因子,以Matlab为平台实现网络的训练,然后对2009年--2011年3年需水量进行预测检验。结果表明：预测相对误差较小,预测结果和实际情况吻合较好,可以对济南市未来规划年的需水量进行预测。在研究结果基础上,结合本文成果与出现的问题,对需水量预测方法等方面进行了探讨与展望,为以后需水预测研究提供一定的参考依据。     

基于RBF神经网络的农田土壤含盐量预测

介绍了径向基函数（RBF）神经网络的原理、训练算法,建立的径向基函数神经网络农田土壤含盐量预测模型具有较强的非线性处理能力和逼近能力,使用实际观测数据进行计算,模型运算速度快、性能稳定、预测结果精度较高、泛化能力强。     

基于RBF神经网络的降雨量预测

文章论述了鉴于降雨量受众多因素的影响和具有复杂的非线性特点,在Matlab环境下建立了RBF神经网络的降雨预测模型.经实例验证,该模型收敛速度快、预测精度高。并且与BP神经网络模型对比结果表明,该方法避免了BP神经网络的局部极小及收敛速度慢等缺点,在精度,训练速度等方面优于BP神经网络。     

基于改进型BP神经网络马尔科夫模型的区域需水量预测

为提高需水量预测的精确度,应用了一种BP神经网络与马尔科夫相结合的预测模型,介绍了它的基本原理及算法,并给出了该模型建立的具体过程,最后该模型被应用于需水量预测工作中,计算证明取得了较好的效果。     

基于BP网络的全国需水量预测研究

采用BP算法设计预测系统对1980年、1993年、1997～2003年全国生活用水量、农业用水量、工业用水量进行了预测,并与实际用水量数据比较,预测结果准确有效.用该系统预测了2010年、2030年、2050年全国用水量.结果表明,我国未来几十年用水总量不会有大的增长,在人口继续增加的情况下,将继续保持当前的水平.     

RBF与GRNN神经网络模型在城市需水预测中的应用

针对需水量预测具有受诸多因素影响的复杂、高维和非线性等特性,本文基于RBF与GRNN神经网络算法原理,构建RBF与GRNN神经网络需水预测模型,将模型应用于城市需水预测中,并与基本BP神经网络模型以及灰色GM(1,1)需水预测模型的拟合、预测结果进行了对比分析.结果表明:①RBF与GRNN神经网络模型有着较高的拟合、预测精度,平均相对误差均在5％以内,表明研究建立的RBF与GRNN神经网络模型应用于需水预测是合理可行的,模型泛化能力强,预测精度高,算法稳定,与基本BP网络算法相比,RBF与GRNN网络模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点,可以更快地预测网络,有着良好的应用前景.②相对而言,RBF与GRNN神经网络模型预测精度要优于基本BP网络和灰色GM(1,1)模型.     

RBF神经网络模型在山西省需水预测中的应用

分析了山西省历年城镇生活、农村生活、工业和农业用水量,建立了RBF神经网络需水预测模型,采用最近邻聚类学习算法确定径向基函数的宽度、选取聚类中心和权值。预测结果表明:山西省1998-2000年总需水量预测的相对误差为2.74%、3.33%和1.41%;1999年工业需水预测相对误差最大,也仅为13.35%。RBF神经网络需水预测模型不仅运算速度快,而且预测精度也较高。     

基于BP神经网络的桂林生态城市建设需水量预测

根据桂林市经济社会历年统计的主要指标数据,运用SPSS社会科学统计软件分析并选取出桂林市辖区生态城市建设需水量的显著性影响因子,采用改进的归一化进行非线性规格化数据处理,基于Matlab建立BP神经网络模型,预测桂林市辖区生态城市建设需水量,结果表明,预测结果与原始数据的平均相对误差为1.19%,最大为2.08%,最小为0.28%。该模型具有较高的预测精度和良好的泛化能力,BP神经网络与SPSS软件优化组合模型,可用于需水量预测。     

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BP神经网络和RBF神经网络的砂土基础液化判别

结合河北唐山地区土样样本,以地下水位埋深(hw)、地下水头(h)、标准贯入锤击数(N63.5)、土的动强度(R)及地震力(L)为评价指标建立了BP神经网络和RBF神经网络的预测模型。通过实例结果比较分析,表明RBF神经网络和BP神经网络判断砂土液化的精度都较高,但对于用埋深hs,地下水位深度h,标准贯入锤击数N63.5,土的动强度R和地震力L作为参数指标时,RBF神经网络在砂土液化的判别方面优于BP神经网络。通过对金坛石桥枢纽进行建模预测,进一步证明了以上结论,并说明了BP神经网络和RBF神经网络对于砂土基础液化的预测是普遍适用的。     

基于RBF神经网络的山西省工业取水量预测

在分析山西省规模以上工业取水量主要影响因素基础上,利用RBF神经网络,建立了规模以上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、选取聚类中心和权值。先用数年实际取水量数据训练网络,然后用训练好的网络模型预测取水量。结果表明:RBF神经网络结构自适应确定、训练不依赖初始权值、速度快、精度高、结果可靠。     

基于RBF神经网络的河川年径流量预测

文章以新疆开都河年径流量为研究对象,选用能够模拟输入与输出层非线性关系的径向基函数(radial basis function,RBF)神经网络,构建了河流年径流量预测模型。研究结果表明:通过自相关系数法,选用河流自身前1~5 a径流量作为输入层,当前年径流量作为输出层,利用Matlab软件建立RBF神经网络模型,预测开都河2008—2012年径流量,预测值最小相对误差为3.22%,最大相对误差为7.61%,平均相对误差为5.19%,相关系数为0.863;通过对预测样本实测值与模拟值进行经典统计学分析,2组数据间无显著性差异。这说明RBF人工神经网络模型用于模拟预测河川年径流量是可行的。     

基于RBP神经网络模型的城市需水量方法研究

城市需水量预测是水资源可持续发展的研究基础。需水量预测考虑的影响因素较复杂,增加了需水量预测难度。通过建立RBP神经网络模型,以河北省A城市为例,进行城市需水量拟合与预测,与传统BP神经网络模型和灰色系统模型计算结果进行对比分析,结果表明RBP神经网络模型拟合的相对误差为2.65%,模型预测结果的相对误差为3.92%,计算结果精度高于另外两种方法,对今后城市需水量预测方法研究提供了一种有效方法的借鉴。     

基于BP神经网络预测区域农业用水量

在农业用水量预测中,避开复杂系统的内部因素及其相互联系,只考虑产量、降水、非耕地耗水量和土地利用系数等影响因素。运用多层前馈网络的误差反向传播算法,通过输入输出因子规格化处理及因子的选取与修正,进行区域农业用水量预测。将BP神经网络训练方法用于典型区进行预报检验,最大相对误差在12%以下,所有结果从定性上都是一致的。     

基于RBF神经网络的长距离引水隧洞涌水量预测

长距离输水隧洞的突涌水问题对隧洞施工安全、施工效率以及隧洞建成后的运营质量会产生严重影响,因而为保证隧洞安全、高效的施工,对隧洞涌水量进行准确预测是十分有必要的.本文以新疆某大型水利工程长距离引水隧洞为研究对象,选取地质构造、渗透率、上覆含水体富水性和水头高度作为评价因子,基于RBF神经网络的基本原理提出了引水隧洞涌水量预测模型,实现对引水隧洞涌水量的精准预测.该预测模型的水量识别准确率较高,可有效防止隧洞内突涌水灾害的发生,为施工单位提前处置隧洞突涌水提供指导.     

基于遗传-神经网络的城市需水量预测方法研究

为了实现城市可持续发展，城市需水量预测极为重要。针对目前常用的灰色预测方法，从建模机理出发，指出了灰色建模中存在的不足。本文将人工神经网络原理引入城市需水量预测中，并针对BP网络收敛速度慢、易陷入局部极小的缺陷，提出了基于GA和BP的预测模型，实例研究表明该模型是一种行之有效的城市需水量预测模型。     

基于免疫蛙跳算法的小波神经网络的水稻需水量预测

为了避免传统小波神经网络采用基于负梯度方向的BP算法学习训练过程中存在收敛速度慢、易陷入局部最小的缺点,采用改进的免疫蛙跳算法对传统的小波神经网络中各个参数进行优化,提高小波神经网络模型的收敛速度和预测精度,提出了基于改进免疫蛙跳算法优化小波神经网络的预测模型,将该模型应用于水稻需水量的预测中,研究结果表明：该耦合模型优于传统的小波神经网络,对水稻需水量有良好的预测性能。     

基于改进RBF神经网络的硬岩岩体变形模量预测

岩体变形模量确定方法有室内外试验法、数值分析法、反分析法、岩体分类法等。上述方法均存在很大缺陷,而神经网络法的日益完善使通过建模预测岩体参数成为可能。以溪洛渡水电站的88组数据为基础,考虑岩石质量指标RQD、RMD、Vp等因素,建立了基于模式搜索法的改进RBF神经网络模型,并用该模型预测岩体变形模量。为了验证模型的准确性,将西藏如美水电站岩体的17组数据代入,将其预测结果与BP神经网络模型结果及原位数据作对比。结果表明,改进RBF模型更适于硬岩岩体变形模量的预测。     

白城市农业灌溉需水量预测方法研究

文中主要探讨了趋势法、对数模型法、指数模型法和GM（1,1）灰色预测模型等4种需水预测方法对白城市灌溉需水量预测的效果,结果表明GM（1,1）灰色预测模型方法的相对误差和与真值的拟合度均优于其他3种方法.     

人工神经网络在城市需水量预测中的应用

介绍了BP神经网络的结构及其工作原理,用其在城市需水量方面进行预测。人工神经网络（Artificial Neural Networks,缩写ANN）是通过数学方法对人脑若干基本特性进行的抽象和模拟,模仿人脑结构及其功能的非线性信息处理系统。主要应用于模式识别、预测和预报、优化问题、神经控制、智能决策和专家系统等。