基于灰色神经网络模型的径流模拟与应用

通过对实测年径流系列进行相关影响因子的灰关联度分析,建立了GM(1,N)模型,利用BP神经网络模型对残差值进行拟合修正,构建了一个基于GM(1,N)的灰色神经网络预测模型.结合实例的计算结果表明,该模型可提高年径流模拟精度.     

作物生育期降雨量预测的灰色自记忆模型

根据灰色系统理论得出作物生育期降雨序列的GM(1,1)微分方程,建立了作物生育期降雨量的灰色自记忆预测模型.将该模型应用于冬小麦和玉米生育期降雨量拟合及预测,结果表明,这种基于灰色微分方程又利用了多个观测往值信息的预测模型具有较高的计算精度.     

灰色神经网络耦合模型在城市需水量预测中的应用

目的为了更准确预测城市用水量,弥补灰色和神经网络预测模型在中长期需水量预测中的不足.方法采用最小方差法建立了灰色新息递补模型和新息递补BP神经网络的耦合模型即灰神经模型,并对城市需水量进行预测.结果预测沈阳市生活需水量,灰神经网络耦合模型的平均相对误差为0.144%;预测沈阳市工业需水量,灰神经网络耦合模型的平均相对误差为0.19%.在模拟精度方面远远高于其他模型的模拟值,提高了预测的准确性.结论提出了用灰色神经模型来预测城市需水量的方法,能更好地预测城市未来需水量,把影响预测的不定因素降到最低限度,具有广泛的实用性.     

改进型灰色马尔科夫模型在径流预测中的应用

随着径流量预测重要性的凸显,径流预测模型不断涌现.针对单一径流预测的局限性及一般的耦合径流预测精度不高的问题,应用数据加载法提出了GM(1,1)的修正模型,并对模型进行残差修正,提出了改进型的灰色马尔科夫耦合预测模型,进一步提高了径流预测的精度,区间预测成果更具科学性和实用价值,并将预测模型具体应用于三门峡水库入库年径流预测,预测成果可靠度高.     

灰色预测模型在年用水量预测中的应用

城市年用水量为城市建设规划以及供水管网改扩建提供依据,我国城市年用水量序列特点是记录时间短,记录数据少,针对我国城市年用水量数据序列的这种特点对其进行分析研究,利用灰色系统理论,建立预测年用水量GM（1,1）模型,并以大连开发区年用水量数据为原始数据进行了实际预测,通过后验差检验证明GM（1,1）模型为一种行之有效的预测年用水量的模型。     

长短期记忆模型的超级参数调节在径流预测中的效果研究

文章采用机器学习中的长短期记忆模型(LSTM)预测汉江水系部分子流域的径流量,用纳什效率系数来评价预测精度.计算结果表明,LSTM的超级参数对径流量预测效果的影响显著,恰当的超级参数可使纳什效率系数达到0.93以上.在常用的超级参数当中,回溯次数、输入数据的随机舍弃率、数据遍历次数对预测精度的影响较大.这些超级参数在多...     

长短期记忆网络在中长期径流预报中的应用

长短期记忆神经网络(long-short term memory neural network,LSTM)是一种适合模拟与预测时间序列长程变化的神经网络,可用于研究中长期水文预报问题.以黄河源区唐乃亥流域为研究区域,根据2000-2009年的日降雨量、蒸发量和流量资料,构建了未来30 d的逐日流量LSTM预报模型,并以...     

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt （LM）算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.     

两种灰色神经网络模型及应用

给出了2种灰色神经网络模型GNNM（1，1）和GNNM（2，1），该模型具有灰色系统的少数据建模优点及神经网络的精度可控特性，并给出了相应的学习算法，然后通过示例说明模型的可行性。     

小波神经网络组合时序模型在径流预报中应用

构建小波与人工神经网络组合时序模型,该模型利用morlet小波基函数取代人工神经网络的激发函数,通过平移因子和伸缩因子确定小波基函数,采用误差逆向传播算法训练网络和预测.利用此模型对赣江河段上外洲水文站月径流变化趋势进行预测,并将其计算结果与BP神经网络进行比较,结果表明利用小波神经网络进行时间序列预测效果较理想.     

基于生命旋回-权马尔可夫的径流预测模型

针对生命旋回预测模型不能反映河川径流周期性和波动性变化的特点,将其与权马尔可夫链结合,提出了一种精度较高的预报模型——生命旋回-权马尔可夫链组合模型.该模型用生命旋回模型预报河川径流的趋势项变化,由权马尔可夫链对径流残差序列进行修正,进行预测时采用等维信息方法处理,在此基础上对黄河龙门水文站径流进行预测,拟合精度为86.97%,合格率为86.78%,表明该模型可以用于径流预测.此外,对求解生命旋回模型的方法作出了改进,经研究表明,该方法实用可行.     

基于BP神经网络马尔科夫模型的径流量预测

讨论了马尔科夫链状态划分的黄金分割率法和"马氏性"检验法,并针对BP神经网络预测和马尔科夫预测的优缺点,提出了BP神经网络与马尔科夫相耦合的BP神经网络马尔科夫模型,以石泉水库年入库径流量为例,验证了该方法的可行性.     

基于弹性梯度下降算法的BP神经网络降雨径流预报模型

运用反向传播(back propagation, BP)的改进算法弹性梯度下降算法,选择崇阳溪上游流域1997—2014年的14场降雨径流过程,以流域内洋庄、吴边、大安、坑口、岭阳、岚谷6个雨量站的实测降雨量和武夷山水文站的前期流量资料为输入,武夷山水文站相应流量为输出,建立弹性梯度下降算法的BP神经网络降雨径流预报模型,采用7场降雨径流过程对模型进行检验。结果表明,与传统的反向传播算法相比,该模型所需的参数较少,运算速度显著提高,模型的预报精度满足要求,可以为防汛部门预测洪水提供依据。     

非等间距灰色优化模型及其在基坑沉降预测中的应用

传统非等间距灰色模型通常采用非等间隔数据进行分段线性插值,从而求得等间隔序列;但是实际基坑沉降并不是线性变化的,利用此法生成的等间隔序列较实际数据存在较大误差.针对传统非等间距灰色模型缺陷,分别利用RBF神经网络插值与三次样条插值生成等间距序列进而求得模型参数,并运用优化的非等间距灰色模型对某基坑的沉降量进行分析预测.计算结果表明：优化后的模型具有更高的精度,故本模型可作为基坑沉降预测的一种新方法.     

改进的人工神经网络水文预报模型及应用

在人工神经网络水文模型的研究中,往往加入前期径流以提高模型的预报精度.针对由此带来的问题,通过耦合总径流线性响应模型,建立一种基于人工神经网络的实时预报模型.通过引入总径流线性响应模型的模拟径流作为模型输入,模型的模拟模式能够提供较长的预见期,同时加入误差校正模型的实时预报模式也能够取得较高的模型精度.采用3个不同流域的流量资料对模型进行率定与校核.结果表明,模型能够取得较高的预报精度,显示了良好的适用性.     

SCS模型在黄土丘陵因子径流场中的应用

因为黄土区中小流域地形地貌复杂,影响径流的水气象资料较难获取,故在无资料地区的小流域设置因子径流场对降雨产流进行预报和计算;利用美国水土保持局提出的降雨SCS计算模型对因子径流场径流量进行了分析计算．结果表明,计算值与实测值拟合效果较好,能够满足同类地区对因子径流场产流量的预报．另外,因子径流场具有资料易于获得,且简便易观测等特点．     

灰色补偿RBF神经网络

给出了灰色系统与神经网络的一种新的结合方式—灰色补偿RBF神经网络。该网络利用RBF神经网络建立残差与数据间的映射关系,并采用其预测结果补偿灰色系统模型的预测值。仿真结果表明本方法优于其它灰色神经网络。     

考虑小样本统计的BP神经网络配电系统可靠性预测方法

传统服务于系统规划的可靠性分析方法,由于多基于逻辑推理或统计分析,需要以足量‘故障停电’事件匀质样本为建模保障,在面对配电系统结构动态变化以及稀少数据环境时,难以对指标进行精确估计。在此背景下,提出一种考虑小样本统计的BP神经网络配电系统可靠性指标预测方法。为保证神经网络训练样本的充足性,并保留小样本自身的统计规律,该文提出并比较Bootstrap和核密度拉丁超立方采样2种小样本增广技术,基于扩充后的样本对具有相同结构的神经网络模型进行参数训练,利用所得的神经网络对可靠性指标进行预测的精度作为选择合适扩充技术与神经网络结合的依据。通过预测用户年均停电时间的算例分析表明,利用Bootstrap小样本扩充技术和BP神经网络相结合的方法在小样本统计条件下具有更高的预测精度。