基于改进BP神经网络模型的区域农业灌溉用水预测研究

传统BP神经网络模型局部易出现收敛,在模型求解过程,易出现求解不收敛的缺陷.为此引入小波分析函数对传统BP神经网络的节点计算进行改进.并将改进的BP神经网络模型运用于农业灌溉用水预测中,研究结果表明:改进的BP神经网络模型改变了局部易收敛的缺陷,模型求解更为合理.在农业灌溉用水预测精度上也明显好于传统的BP神经网络模型.     

改进的BP神经网络模型在地下水预测中的应用研究

针对传统BP神经网络模型局部较易收敛的缺点,引入小波分析函数对传统BP神经网络模型节点计算进行改进,并将改进的BP神经网络模型在新疆地区地下水预测中进行应用,研究结果表明:改进的BP神经网络模型可解决模型局部较易收敛问题,预测的地下水水位和实测的地下水水位更为接近,预测的地下水水位和实测水位之间的相关性年尺度达到0.85,高于传统BP神经网络模型的预测精度。     

新安江模型和改进BP神经网络模型在闽江水文预报中的应用

精确的水文预报是防洪减灾中重要的非工程措施,水文模型是开展水文预报最有力的工具。采用LM算法改进了的BP神经网络水文预报模型,以闽江富屯溪流域为例,进行了BP模型和新安江模型在日流量模拟预报中的应用比较。结果表明:两个模型总体均达到水文预报的精度要求,水文预报合格率可达到90%以上;新安江模型在丰水年模拟效果较好,相比而言,BP神经网络模型的模拟精度更高一些;两个模型均可用于闽江流域的水文预报研究。     

改进模糊神经网络模型及其在大坝监测中的应用

鉴于传统模糊神经网络计算繁琐、模型精度较低、难以收敛等问题,在大坝位移的监测数据分析中应用改进的模糊神经网络及改进的反向传播(BP)网络算法,并建立了相应的网络模型.大量的数据分析计算表明,该模型收敛快,且精度优于常规的模糊神经网络和传统的统计模型.     

改进的T-S-K逻辑算法模型在大凌河水文预报中的应用

本文对T-S-K逻辑算法模型隶属度进行改进,提高模型计算收敛精度,并将改进的T-S-K逻辑算法模型用于水文预报研究中,研究结果表明:改进的T-S-K逻辑算法模型可较好地模拟流域的水文过程,模拟结果合理,精度好于传统T-S-K模型。研究成果可对其他流域的水文预报提供参考和借鉴。     

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。     

改进的BP神经网络模型在辽宁中部河流水质预测中的应用研究

本文采用改进的BP神经网络模型对辽宁中部某河流水质进行预测。结果表明:改进的BP神经网络模型引入横向和纵向伸缩修正系数对模型梯度函数进行改进,提高传统BP模型收敛和计算精度。在区域河流水质预测精度明显好于传统模型,预测的河流水质总氮指标值相对误差均值明显减少,月尺度过程相关系数有较大提高。     

带偏差单元的递归神经网络及其运用

近年来人工神经网络（ANN）在水文预测和水文分析中的应用越来越多，其中BP网络的应用尤为广泛，不少学者提出了很多基于改进算法的BP网络。通过研究，从改进网络结构出发，首次建立了带偏差单元的递归神经网络，并将它用于径流预测。应用实例表明，该结构的网络模型，通过改进网络结构，能很好地克服原BP模型收敛速度慢，网络学习，记忆不稳定等缺点。拟合，预报精度较原BP模型均有较大提高。     

入库流量中长期预报中几种方法的对比

对回归分析法、BP神经网络、RBF神经网络以及灰色GM(1,1)模型用于水文预报的精度进行了对比研究。结果表明:①BP神经网络与RBF神经网络对实测数据有着较好的逼近能力,且预报精度明显优于其他预报方法;②多元线性回归分析对实测数据的模拟能力和预报精度次于神经网络;③灰色模型对随机现象的模拟和预报很难达到精度要求,其水文预报精度不很理想。     

改进粒子群神经网络在变形预测中的应用研究

为更好地对变形体未来的形变量进行预测,研究粒子群BP神经网络模型,并对该模型进行改进,建立改进粒子群BP神经网络模型,结合工程实例,进行对比分析。研究表明,粒子群BP神经网络模型的拟合和预测精度均高于传统BP神经网络模型;改进后的粒子群BP神经网络模型进一步提高了拟合和预测精度,且随着改进方法的不断深入,其预测精度也逐渐提高;改进后的粒子群BP神经网络模型可以更好地对变形进行预测,优势显著。     

基于改进BP神经网络的海堤渗压监测模型研究

针对传统BP算法存在的收敛速度慢、易陷入局部极小等缺陷,采用附加动量算法和修正激活函数方法对网络模型进行改进。以BP神经网络为建模工具,将前期潮位因子、降雨因子和时效因子作为输入,多个渗压测点值为输出,建立了海堤渗压多测点监测预报模型。将原始网络模型、改进网络模型的预测值与实际测值进行对比分析表明,改进的BP神经网络模型在海堤渗压监测中具有更快的收敛速度和更优的预测精度。     

遗传算法优化BP神经网络水文预报过程模型研究

为克服BP神经网络的缺点,将遗传算法引入BP神经网络模型(GA-BPNN模型),并与实测数据对比,验证了该模型的准确性,结果表明:GA-BPNN模型的计算精度和一致性明显高于BP神经网络模型,且其收敛速度更快,其RMSE为0.237,K值0.917,C_D为0.894,决定系数R~2为0.918,精度较高,因此,该模型可作为当地水文径流预报的计算模型。     

小波神经网络模型在河道流量水位预测中的应用

鉴于BP神经网络学习收敛速度慢、参数选择困难、易陷入局部极值等缺点,提出小波神经网络河道流量水位预测模型,以盘龙河天保站流量水位预测为例进行分析。采用循环算法确定最佳BP神经网络结构,并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,构建传统BP、GA-BP神经网络河道流量水位预测模型作为对比预测模型。结果表明:小波神经网络结合了神经网络与小波分解在函数逼近上的优点,其预测精度高于传统BP和GA-BP网络模型,表明小波神经网络用于河道流量水位预测是合理可行和有效的,可为水文预测预报提供新的途径和方法。且小波神经网络模型具有计算简便、逼近能力强、收敛速度快,能有效避免局部极值等特点,有着广阔的应用前景。     

自适应BP神经网络在边坡稳定性预测中的应用

边坡工程是一个动态开放、非线性的复杂系统,应用传统的分析方法往往难以确切描述其非线性特性,采用学习率自适应调整和动量法,对BP神经网络存在易陷入局部极小值、收敛速度慢、对神经元个数依赖性大等缺点进行改进,建立了(6-13-2)结构的自适应BP神经网络模型。边坡预测实例表明:自适应BP神经网络的预测精度高于标准BP神经网络;改进后的BP神经网络提高了网络的训练速度,节省了时间,提高了计算精度。     

改进的径向基神经网络模型在水库异重流泥沙淤积量模拟中的应用

文章结合径向基神经网络模型对辽宁中部某水库的异重流泥沙淤积进行模拟。研究结果表明:改进的径向基神经网络模型结合梯度快速下降法对模型进行最优求解,模型收敛和求解精度得到较为明显的改善。在水库异重流泥沙淤积模拟中,相比于传统模型,模型收敛率提高29%,年汛期时间尺度水库泥沙淤积模拟误差分别减少17.1%和11.9%,但在非汛期由于水库异重流泥沙淤积影响要素较多,模拟误差改善较小。研究方法可解决水库异重流泥沙淤积量预测的精度问题。     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

优化BP神经网络在地下水计算中的应用

采用动态惯性因子对粒子群算法进行改进,并将其应用到BP神经网络的优化中,依据滦河某观测站数据建立地下水动态预测网络模型.预测结果表明:在训练样本、预报因子和建模参数都相同的情况下,BP神经网络的收敛速度明显较慢;粒子群算法代替梯度下降法优化BP神经网络,有效地提高了计算精度、加快了收敛速度、改善了神经网络的稳定性;混合动态惯性因子的粒子群算法,收敛速度快速提高,计算误差大幅减小,精度及稳定性均较高.     

改进的WANN模型在新疆中长期水文预报中的应用研究

引入共轭梯度算法对传统WANN模型求解搜索进行优化,从而提高传统WANN模型计算效率,改善模型求解精度。本文将改进的WANN模型用于新疆某区域中长期水文预报中,并结合区域实测水文数据,对比分析改进的WANN模型在中长期水文预报中的适用性以及预报精度。研究结果表明:相比于传统WANN模型,改进的WANN模型可提高中长期水文预报的精度,模型在中长期降水量和水量的预报误差分别减少8.8%和3.6%,收敛度分别提高0.18和0.17。研究成果对于地区中长期水文预报方法提供参考价值。     

基于改进BP神经网络的大坝变形监测模型预报

变形监测是大坝安全运行的重要保证,结合白石水库混凝土坝真空激光X向位移资料进行分析,提出应用改进的BP神经网络思想建立的安全监测模型,结合对相关数据参数进行系统性的研究,并与传统BP神经网络模型训练、预测结果对比,得出改进的BP神经网格模型优于传统BP神经网络模型,具有一定抗差能力,能够降权使用可疑值,相关系数较高,预测精度好,可在实际中广泛运用。     

基于遗传算法优化的小波神经网络在中长期水文预报中的应用——以三门峡为例

造成中长期水文预报研究和预报困难的主要原因是水文现象本身的复杂性和不确定性,以及内部复杂的非线性关系,针对这些问题,本文建立了一种小波神经网络时间序列模型,并用遗传算法对小波神经网络的连接权值和伸缩变量、平移变量进行优化。使用这种模型对黄河三门峡站逐年月天然流量进行预报检验,并将检验结果与传统的小波神经网络和BP神经网络进行对比,从模型预报精度、趋势性和稳定性3个方面进行分析,分析发现,这种遗传算法优化的小波神经网络时间序列模型能够有效地克服传统的小波神经网络和BP网络容易陷入局部极小的缺陷,能够对水文现象的趋势性作出较精确的预测,具有良好的预报精度和稳定性。