正规化周期回归模型在水文中长期预报中的应用研究

水文中长期预报由于其预见期长,且受各种不确定因子的制约,因此预报精度不高、可靠性差。利用方差分析周期外推方法,提出改进的正规化周期回归模型,即利用非线性回归消除模型的趋势项,利用正规化方程组进行方差分析,完成对周期项的识别提取,进而利用趋势项与周期项进行模拟和预测。其在原有方差分析的基础上,根据前人所做的工作,对原存在不合理之处试图进行一些适当的改进,旨在探求一种较为方便,又比较容易操作的实用性水文预测方法。将本方法运用到新丰江流域,并用自回归方法做对比分析,结果证明本方法拟合和预测结果较为可信。     

周期波均值叠加法在年降水量预报中的应用

介绍了周期波均值叠加法的计算原理及方法,并根据韩江流域梅县雨量站、潮安雨量站1952-2006年雨量资料,利用周期波均值叠加法分析雨量变化规律,将得到的周期分别外延,然后进行线性叠加预报2007-2009年梅县雨量站、潮安雨量站的年降雨量,其中2007-2008年的预报成果满足精度要求。     

人工神经网络在径流长期预报中的应用

介绍了人工神经网络（Artificial Neural Network-ANN）模型,并阐述了BP模型算法。通过Matlab6．5中的Neural Network Toolbox编写程序,根据塔里木河源流叶尔羌河卡群控制水文站历年的气象资料和水文资料,对径流量进行了预报,并对模型进行了验证和分析,结果表明：1968～1997年间预报合格的有25年,合格率为83％;1998～2002年的合格率为100％,从而说明神经网络在水文预报方面具有良好的适用性。     

周期均值叠加法在年雨量预测中的应用

影响年雨量的因素很多，而且不可预见，很难用确定的公式来预测，但通过周期波叠加的方法来预测年雨量，在有些站的应用中效果较好。     

周期均值叠加法在中长期预报中的应用

1爱河流域概况爱河是鸭绿江下游水丰水库以下最大支流,也是丹东地区的较大主要河流,发源于宽甸县双山子乡盘道岭,流域面积5 891 km2,河长189 km,流经凤城市、振安区、宽甸县于丹东市振安区九连城注入鸭绿江。流域内地势西北高,东南低,山地占77%,丘陵占17%。该流域植被良好,包气带不厚,地下水埋藏较浅。梨树沟水文站是爱河下游控     

小波方差分析伊河流域降雨径流周期特征

采用小波分析方法和回归分析方法,对伊河流域1982年以来历年逐月长系列降雨径流资料进行分析研究,结果显示:三站降雨周期一致性显著,由于陆浑水库的修筑,陆浑站径流周期与潭头、东湾存在较大差异;小尺度上降雨径流周期一致性明显,大尺度上降雨径流周期一致性较差.     

数据挖掘技术在径流预报中的应用

介绍了基于数据挖掘技术的径流预报方法,建立了以人工神经网络(ANN)为挖掘工具的水文预报模型,利用反向传播(BP)模型进行挖掘工作,通过权系数修正提高收敛速度.结合工程项目进行了模型的实际预测,并与普通模型相比较.实测结果和分析说明,该模型有较好的预测精度,有实际应用价值.     

集合预报在南盘江流域中长期径流预报中的应用研究

对南盘江流域的中长期径流预报模型进行研究,充分利用不同类型径流预报模型的优点,建立一种集合预报模型,并根据各模型的预报精度排序,对各模型的组合权重进行分配。该模型可以基于机器的自主学习建立自适应挑选技术,不断自动优化各模型的组合权重系数,提高预测精度,为南盘江流域水库优化调度与发电计划制定提供科学的决策依据。     

非线性混合回归模型在年径流预报中的应用探讨

在气候变化和人类活动等影响下,径流变化日益复杂,常用的流域径流预报方法有时间序列法、多元回归分析等,但这些方法预报精度较差,笔者建立起基于BP神经网络系统的年径流预报非线性混合回归模型,并以1961~2001年的数据为训练样本,以2002~2010年的数据为预测检验样本对新疆天山北坡昌吉州呼图壁县内的军塘湖流域年径流进行预报,结果表明,该预报方法具有较高的预报精度。     

BP人工神经网络模型及其在年径流预报中的应用

文章选择和田河支流玉龙喀什河作为研究对象,构建BP神经网络模型,对玉龙喀什河年径流及相关气象资料行径流模拟研究,结果表明:BP人工神经网络模型收敛速度快,预报精度高,为该领域研究提供了新的思路。     

BP神经网络在柏叶口水库中长期径流预报中的应用

中长期径流预报是水资源进行合理开发利用的前提和基础。文章通过比较3种不同预报方案在BP神经网络模型下对柏叶口水库非汛期月径流预报效果,找出了在非汛期月径流预报中预报效果最好的方案。     

小波人工神经网络在径流预报中的应用

针对径流时间序列的非线性和多时间尺度特性,应用A Trous算法对盘石头水库的月径流序列进行了分析.在此基础上,将小波分析与人工神经网络相结合,建立了组合预测模型,并给出构造模型的一般步骤及关键算法.针对一般BP算法收敛速度慢、易陷入局部极小值的缺陷,提出了基于改进共轭梯度法的BP算法.实践表明:基于小波分析的人工神经网络模型在月径流模拟过程中具有很好的仿真能力,训练后的模型具有较高的精度.     

混合遗传神经网络算法研究及其在径流预报中的应用

 根据流域径流预报的特点,针对神经网络原有固定结构学习方法的缺陷,通过对人工神经网络、遗传算法进行组合利用和加以改进,建立了混合遗传神经网络模型,并对其神经网络的结构和权值阈值同时进行了优化。然后以某灌区径流预报为例,分别利用BP(back propagation)算法、本文方法进行仿真试验,验证方案的可行性和有效性,结果表明本文算法既克服了神经网络结构选取的盲目性,给出了优秀的初始权值,又克服了遗传算法耗时的缺点,最终达到了提高网络收敛性能和收敛速度的目的。     

基于时间序列分析的黑河干流年径流预报

采用周期均值叠加法和马尔可夫链法对黑河干流莺落峡断面年径流过程进行了预报分析。结果表明:周期均值叠加法分析出莺落峡断面1945—2007年系列的第1周期约为22 a,和黑河干流年径流的变化规律基本一致;两种方法预报的年径流变化规律基本一致,周期均值叠加法预报精度较高,可基本满足黑河干流水量调度工作的要求。     

用周期趋势分析法进行年最高水位预报的探讨

利用周期趋势分析法进行预报，虽未联系其物理成因，但依靠预报对象本身的变化过程，在实际预报当中有一定的优点和参考价值。