黄河流域国民经济需水量预测

根据黄河流域经济社会发展特点,分析预测了流域经济社会发展趋势及规模,考虑现状用水、一般节水、强化节水和超常节水4种节水模式,分别预测各行业相应的需水量,通过比选推荐强化节水模式下的需水预测结果为水资源规划的推荐方案,并从用水效率、用水定额、用水结构、用水增长率等方面分析了其合理性。     

黄河流域最小保有灌溉需水量预测

从粮食安全角度提出了最小保有灌溉需水量的概念及预测方法,建立了区域灌溉需水量对干旱的响应关系,预测了黄河流域及流域外引黄地区2020年不同干旱条件下的最小保有灌溉需水量。结果表明:黄河流域及流域外引黄地区最小保有灌溉面积为371.3万hm~2,占全部有效灌溉面积的42.3%;不同干旱等级的最小保有灌溉需水量为187.0亿~239.0亿m~3;随着干旱等级由轻旱到特旱,最小保有灌溉需水量分别较无旱情况增大5%、11%、19%和28%。     

GRNN神经网络在坝基渗流预测中的应用

人工神经网络在大坝监测资料分析及预测中应用效果良好,而广义回归神经网络具有柔性网络结构、很强的非线性映射能力及高度的容错性,非常适合解决非线性问题。实例分析结果表明:与BP神经网络相比,广义回归神经网络在预测能力及学习速度上具有明显优势,且样本较少时其预测效果也较好。     

GRNN在边坡稳定预测分析中的应用

介绍广义回归神经网络(GRNN)的原理和影响因素,论述光滑因子的影响和选择。采用LOO交叉验证方法遍历所有样本,搜索出合适的光滑因子,结果表明合适的光滑因子能够较大幅度地提高网络泛化能力。应用收集到的82个圆弧滑面边坡稳定状态的实例资料,将GRNN模型应用于边坡稳定性评价,计算结果表明,在边坡稳定状态分析及预测方面,GRNN模型比BPNN模型更加精准简捷。     

高坝基岩多点变形监测的GRNN模型研究

为有效地进行大坝基岩多测点变形分析预测,在既有的大坝变形安全监测数学模型结构基础上,利用广义回归神经网络（GRNN）良好的非线性拟合能力建立变形预测模型,并针对高坝基岩多点位移计监测的实际情况,以多个测点的变形量为分析对象,在利用历史变形资料进行训练后实现多点变形预测。实例计算与比较结果表明,GRNN模型计算快、精度高,是进行多测点非线性变形监测预报的有效工具。     

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。     

基于广义回归神经网络(GRNN)的地下水水位预测

传统的地下水位预测方法存在需要事先假定含水层是均匀规则的且计算量大等不足.基于广义回归神经网络基本原理,建立了地下水位预测的广义回归神经网络模型.通过实例计算表明,该模型在信息有限的情况下,仍可达到满意的预测精度,且模型简单,计算效率较高,具有广阔的应用前景.     

基于主成分回归与灰色神经网络模型的水资源承载力需水量预测

我国的水资源利用问题日趋严峻。作为影响水资源承载力的重要因素,社会经济活动对水资源的影响尤为明显。通过分析影响水资源承载力的社会经济驱动要素,建立主成分回归模型,分析得出影响江苏省水资源承载力变化的三个驱动力以及驱动力影响度,利用三个驱动力中的6个重要驱动因子,建立灰色神经网络预测模型,预测出江苏省2012-2013年的年需水量。结果表明:预测模型精度较高,最后结合江苏省发展现状提出相关的政策性建议。     

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.     

基于自激励门限自回归模型的井灌水稻需水量预测

利用自激励门限自回归模型（SETAR）能够描述具有极点和极限环的非线性系统及刻画幅频相依等非线性现象的特点，对三江平原井灌水稻各生育阶段需水量的长系列资料进行了分析，建立了SETAR（2，6，3，3）模型，采用9个参数有效地描述了水稻需水量各个生育期在多种气象及其他影响因子的作用下的周期变化的非线性复杂系统，经与实测值相比，精度较高，可在灌区规划管理与优化水稻灌溉制度中应用。     

江西省农田灌溉需水量预测研究

江西为农业大省,农田灌溉用水占全省用水总量比重较大,科学合理地预测未来农田灌溉的需水量,对水资源合理开发利用与管理尤为重要。在分析江西省水资源状况及农田灌溉用水现状的基础上,通过对全省农田灌溉面积的发展预测及灌溉净定额的分析计算和灌溉水利用系数的合理确定,采用定额法分别对全省2020,2030年不同保证率情况下的农田灌溉需水量进行了预测研究。预测结果满足江西省农业规划的需求,为研究制定全省水资源开发利用方案,加强水资源管理提供了决策参考依据。     

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。     

北京工业需水量的多元回归分析及预测

用多元线性回归分析的方法 ,对北京工业需水量的影响因素进行分析 ,通过定量和定性的分析方法确定最终预测方程 ,并应用预测方程对 2 0 10年北京工业需水量进行了预测     

基于RBF神经网络的农业需水量预测

介绍了径向基函数神经网络的原理、训练算法,建立的径向基函数神经网络农业需水量预测模型具有较强的非线性处理能力和逼近能力,运算速度快、性能稳定,克服了BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,预测精度较高,泛化能力强。     

城市需水量预测方法及应用研究——以哈尔滨需水量预测为例

通过几种常用需水量预测方法的分析研究,根据其各自特点得出在城市规划中通常采用人均综合用水量指标法、分类用水指标法和年增长率法进行需水量预测。并以哈尔滨需水量预测为例说明各种预测方法的应用,为其它城市进行城市需水量预测时提供参考。     

基于人工神经网络模型的井灌水稻需水量预测

水稻需水量仿真与预测是制定优化灌溉制度的重要依据。应用人工神经网络技术（BP－ANN）处理需求量时间序列，通过自相关分析，确定网络结构，建立了井灌水稻需水量的人工神经网络模型，解决了需水量序列内部及其外部诸多影响因素之间的不确定关系，预测精度较高，可在灌区决策管理中应用。     

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。     

青岛市工业需水量预测

确定了青岛市工业需水量影响因素的选择原则,并对青岛市工业需水量主要驱动因子进行定量辨识,初步确定出影响青岛市工业需水量的主要驱动因子。根据青岛市工业需水的实际情况,确定反映该地区特点的9个指标,采用RS理论进行属性约简,得到工业总产值、工业产值占国民经济总产值的比重、发电量、工业用水重复利用率以及人口数量等5个工业需水预测指标,并采用逐步回归方法建立青岛市工业需水量预测模型,对需水量进行预测。计算得出2015年、2020年和2030年的工业需水量分别为3.02亿m3、3.87亿m3和6.75亿m3。     

基于灰色模型的城市需水量预测

用灰色模型对四川省资阳市2010、2015、2020年的需水量进行了预测,得出需水量分别为2 282.0、2 834.6、3 235.3万m3。对预测结果的精度校验表明,模型的预测精度等级为一级。     

基于GRNN网络的苏州市水资源承载能力评价

基于最严格的水资源管理制度和水资源承载能力的内涵,重新确定水资源承载能力评价的指标体系,构建广义回归神经网络(GRNN)水资源承载能力评价模型,应用于苏州市水资源承载能力评价,并将评价结果与采用模糊综合评价的结果进行比较。结果表明:两种评价结果相符;结合用水总量控制、用水效率控制和限制纳污所建立的指标体系更加科学、更加符合经济社会的发展需求;苏州市水资源承载能力状况由2004年之前的较低水平逐渐恢复,这种变化与苏州市经济增长模式的转变和产业结构的调整密切相关。