相空间神经网络耦合模型在水文预测中的应用

混沌相空间理论和神经网络用于径流系统的中长期预测,较传统途径可以更多地利用时间序列中包含的丰富信息,更好地揭示水文动力学系统的规律.针对混沌时间序列,结合混沌分析理论和BP神经网络,建立了相空间重构和BP神经网络耦合预测模型.经实例研究初步表明,用神经网络拟合相空间相点演化的非线性关系是可行的;相空间神经网络耦合预测模型在水文中长期预报中的应用是可行的、合理的,有较好的预报精度和应用价值.     

基于混沌相空间技术的流域产流预测模型

在对流域产流时间序列混沌特性进行分析的基础上,利用嵌入相空间来确定前期影响因子,建立了基于混沌相空间技术的BP网络模型.对黄河某支流控制站月径流量的拟合与预测结果表明,预测结果合理,精度较高.     

参考作物腾发量的混沌性识别及预测

本文应用饱和关联维数法对海河流域张北站从1966~2005年50年的参考作物腾发量序列进行混沌性识别,结果表明该序列存在一定的混沌特性。同时,运用自相关函数法和饱和关联维数法确定了该序列重构相空间的嵌入维数和延迟时间,并在此基础上进行了相空间的重构。建立了混沌局域法预测模型对相空间的演化进行了计算,实现了参考作物腾发量的预测,并与时间序列自回归(AR)模型和基于气象资料的BP神经网络模型预测结果进行了比较。结果表明,预测效果比BP网络模型稍差,但明显优于AR模型。这为解决缺乏气象资料地区参考作物腾发量预测问题提供了新的思路。     

月径流序列混沌特性识别及预测

以混沌理论和相空间重构原理为基础,分析计算大峪水文站1955-2006年月径流序列的最佳延迟时间和嵌入维数;运用最大Lyapunov指数λ10证实大峪月径流序列具有混沌特性,从而建立了基于混沌特性的BP神经网络预测模型。仿真及预测结果表明:该模型预测精度较高,可用于大峪月径流预测。     

日含沙量时间序列的混沌识别与预测研究

运用关联指数饱和法和改进的最大Lyapunov指数方法对流域产沙系统进行了混沌识别,结果表明日含量序列具有混沌特性.并以重构相空间的饱和嵌入维数作为神经网络输入层节点数,将混沌理论和神经网络二者有机结合,建立了混沌神经网络模型.将该模型用于黄河上游头道拐水文站汛期日含沙量预测,结果表明,该模型应用在汛期日含沙量预测中具有较高的精度.     

基于相空间重构理论的神经网络在大坝渗流预测中的应用

简述了混沌预测方法和原理,提出运用神经网络来模拟混沌系统的动力学模型。通过实例重构出大坝渗流观测数据相空间,将其作为神经网络的输入,对渗流观测数据进行了预测。计算结果表明,基于相空间重构理论的神经网络模型具有一定的准确性和有效性,对于处理非线性问题是一种有益的探索。     

灌区降水量预测的混沌神经网络模型及应用

针对降水时间序列的混沌特性,综合运用混沌理论与神经网络方法的基本原理,通过相空间重构的方法建立了灌区降水量预测的混沌神经网络模型,并给出了计算方法和步骤,从新的角度研究灌区降水预测问题。并将该模型用于濮阳灌区降水量预测,结果表明该模型对降水量的预测准确度较高。     

重庆藕塘滑坡地下水位时间序列混沌性判别与预测

在周期性库水位涨落和季节性强降雨等因素影响下,藕塘滑坡前缘地下水位时间序列呈现混沌特性。以藕塘滑坡前缘水文孔(MZK5)地下水位序列为研究对象,进行混沌分析;并利用饱和关联维数法和最大Lyapunov指数法,在水位序列相空间重构的基础上对混沌特性验证。为克服粒子群算法本身的不足和SVR模型参数选取困难的缺点,采用基于遗传选择策略的粒子群算法(GSSPSO)优化选取SVR模型的参数,再用预测性能较为精准的回归型支持向量机(SVR)模型对其进行预测。对MZK5水文孔地下水位进行了BP神经网络模型预测和优化后模型(GSSPSO-SVR)预测。结果表明:藕塘滑坡前缘地下水位序列具有混沌特征,GSSPSOSVR模型预测结果的均方根误差为0.036 m,拟合优度为0.803,说明GSSPSO-SVR模型预测效果较理想,且预测精度高于BP网络模型,具有较强的实用性。     

基于统计和混沌优化BP神经网络融合模型的大坝变形预测分析

变形是大坝结构性态动态演化的重要效应量,对其准确预报是保障大坝安全运行的基础。针对大坝变形监测数据序列中存在的混沌现象,采用混沌相关理论对统计模型中的残差序列进行混沌动力学特性分析,揭示其混沌特性并进行相空间重构。同时,利用BP神经网络处理非线性问题具有的优点,建立统计和混沌优化BP神经网络融合预测模型,将其用于工程实例。工程实例表明,该模型精度高于传统统计模型,在大坝变形安全监控中具有一定的应用价值。     

基于GA-BP与多隐层BP网络模型的水质预测及比较分析

采用循环算法确定最佳BP神经网络结构,建立BP神经网络水质模型进行预测.鉴于BP神经网络学习收敛速度慢、易陷入局部极值等缺点,在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建GA-BP以及多隐层BP神经网络水质预测模型,以云南省某水库总氮预测为例进行预测与比较分析.结果表明:①GA-BP网络水质模型预测精度高于基本BP网络,表明遗传算法能有效优化BP网络初始权值和阈值.②增加BP神经网络隐层数能进一步提高网络预测精度,但训练时间也随着延长.③GA-BP及多隐层BP可作为提高网络预测精度的有效方法,二者均可用于水质预测预报,可为水质预测预报提供新的途径和方法.相对而言,GA-BP模型收敛速度快、预测精度高,具有一定的计算优势.     

大坝变形监测统计模型与混沌优化ELM组合模型

变形是反映大坝动态演化的重要效应量。为了提升统计模型预测能力,借助极限学习机(ELM)处理非线性问题的优势,对大坝位移的统计模型残差进行数据挖掘。而极限学习机欠缺对混沌动力特性的考虑,为了解决这个问题,采用混沌理论对统计模型残差进行了混沌动力学特性分析,揭示其混沌特性,并据此重构相空间,从而为混沌优化极限学习机提供先验知识。基于统计模型,结合极限学习机和混沌理论的优点,建立统计模型与混沌优化ELM的组合模型。将该组合模型应用于工程实例,由多个定量评估指标对模型进行性能评价,结果表明,组合模型建模合理,预测精度高于统计模型、统计模型与混沌优化BP神经网络组成的组合模型,在大坝变形监测中具有一定的应用价值。     

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.     

嘉陵江北碚站年径流量变化规律及预测研究

首先利用小波变换对北碚站年径流量变化规律进行了研究,结果表明:年径流量呈现出明显的减少趋势,并具有大约9.8a的变化周期.其次结合BP神经网络建立小波网络模型,并利用该模型对北碚站的年径流量进行预测,同时将预测结果与BP神经网络模型的预测结果进行了比较,比较结果表明:小波网络模型对径流变化的预测效果明显优于BP神经网络模型,为径流量的定量分析提供了一种新的方法.     

BP网络在利津站水沙通量研究中的应用

介绍了BP神经网络的基本理论和算法,利用MATLAB开发了相应的程序,建立了BP网络模型,并对1991年利津断面汛期和非汛期的径流量和输沙量进行了预测.结果表明:BP 网络模型拟合精度高,预测效果好.     

混沌神经网络在地表水资源量预测中的应用

为了有效地揭示水资源系统复杂的非线性结构及变化规律,对具有混沌特性的水资源时间序列重构相空间,计算出相空间的饱和嵌入维数和最大Lyapunov指数,并以此为指导,提出一种适用于高精度逼近和泛化建模的混沌神经网络的学习算法,运用混沌方法构造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,建立混沌神经网络预测模型。实例表明,该模型有较高的预报精度。     

基于混沌理论的混凝土裂缝开合度改进混合预测模型

针对传统混凝土裂缝开合度统计模型对温度非线性因素和残差特性考虑不足导致预测效果不佳的问题,首先考虑温度非线性因素,建立裂缝开合度改进统计模型,进而借助混沌理论与相空间重构理论对改进统计模型的残差时间序列进行混沌特性分析与相空间重构,采用遗传算法优化的BP人工神经网络对残差进行预测,最后集成获得改进混合预测模型对混凝土裂缝开合度进行预测。结合某泄水闸检修门库裂缝实测开合度,对比分析了传统统计模型、改进统计模型和改进混合预测模型的预测效果。结果表明：改进混合预测模型的预测误差更小,能有效改善裂缝开合度的预测效果。     

LS-SVM和RBF神经网络模型在降雨预测中的应用

采用相空间重构理论计算实测月降雨的延迟时间、嵌入维数、C-P饱和关联维数和Laypunov指数,证明乌尔逊河流域月降雨时间序列存在混沌现象.使用LS-SVM预测模型和RBF神经网络预测模型,两种模型对乌尔逊河流域月降雨时间序列进行对比分析.在预测精度上,LS-SVM测模型的预测精度不太理想,而RBF神经网络预测模型在降雨量很少的月份精度也很低.若想在干旱区半干旱区的降雨预测中应用,需要进一步研究.     

ARIMA与ANN组合预测模型在中长期径流预报中的应用

基于时间序列预测模型及BP神经网络,提出了新的组合预测方法.该方法采用三层结构的BP神经网络来构造组合预测模型,运用时间序列模型预测方法得出的预测结果,采用历史滚动法将前5年的预测结果数据作为BP网络的输入,以当前年份的预测结果为网络期望输入,建立了ARIMA-ANN组合预报模型.利用Matlab7神经网络工具箱对塔里木河上游源流卡群水文站的年径流量进行了预报及验证.结果表明:组合模型的预报结果精度高,容错能力强,是中长期径流预报的有效方法.     

相空间神经网络模型在大坝安全监控中的应用

本文将混沌理论和神经网络理论相结合，并针对某一混凝土重力坝水平位移实测值建立相空间模糊神经网络预报模型。首先对水平位移的实测序列，进行相空间重构，求算关联维，说明该序列存在混沌成分和奇异吸引子；应用自适应模糊神经网络，对水平位移实测序列构成的相点，建立相空间神经网络模型。计算结果表明，相空间神经网络模型用于大坝监控中是可行的，其预报精度优于常规的统计回归模型，能揭示大坝的非线性性质，能更好地对大坝运行性态进行分析。     

基于相空间重构原理的遗传神经网络模型在城市需水预测中的应用

针对多元变量需水预测模型中变量之间普遍存在多重共线性问题以及BP神经网络收敛速度慢、易陷入局部极值等缺点,将相空间重构原理及遗传算法(GA)引入BP神经网络需水预测模型中,提出基于相空间重构原理的GA-BP城市需水预测模型,并对上海市需水预测进行实例分析。实例分析结果表明:GA-BP模型对上海市2005—2009年的年用水量预测平均相对误差绝对值和最大相对误差绝对值分别为1.4344%和2.7672%,对2010—2011年的年需水量预测相对误差分别为0.5136%和0.0270%,精度均优于BP神经网络预测模型;基于相空间重构原理的GA-BP需水预测模型具有较好的预测精度和泛化能力,是提高需水预测精度和泛化能力的有效方法。