预测日径流过程的双线性模型

提出了建立双线性模型（ＢＭ）的一套简便实用的方案。实例计算说明：①这套方案在日径流过程预测中可行而有效的;②通过利用预测过程中产生的残差信息进行反馈矫正,保证了ＢＭ模型高的拟合精度和稳健的预测性能,并增强了复杂非线性动态系统的适应性。e     

支持向量机回归模型在径流预测中的应用

为了探索提高径流中长期预测精度的有效途径,尝试建立了基于支持向量机的径流预测模型,并应用于西江流域梧州站的年、月径流预测中,取得了很好的效果。并与神经网络预测进行对比,结果表明该模型的预测精度要高于人工神经网络模型。     

基于遗传算法的参数投影寻踪回归径流预报模型及应用

为提高径流预报精度,采用单相关系数法挑选预报因子,建立了基于遗传算法的参数投影寻踪回归径流预报模型,利用该模型对雅砻江二滩水电站月平均流量进行了预报。结果表明,与BP神经网络模型预报结果相比,投影寻踪回归模型具有更好的预报结果和更高的预报精度。     

WANN模型的改进及日径流预测中的应用

介绍基于小波分析建立的人工神经网络模型的方法原理,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,受Fletcher—Reeves线性搜索方法的启发．提出基于改进共轭梯度法的BP算法。利用此优化模型对日径流进行模拟与预测,实验表明,基于小波分析的人工神经网络模型在日径流模拟过程中具有很好的仿真能力．训练后的模型用于预测具有较高的精度。     

基于改进BP网络的日径流预报模型研究

针对常规BP算法收敛速度慢和难以获得全局最优的不足,将网络误差函数的改变量引入权值和偏移值的调整,采用自适应学习速率和自适应动量因子调整策略,建立了基于多层感知器神经网络(MLP-ANN)的水文预报模型.采用自相关函教(ACF)和交又相关函数(CCF)确定网络输入因子并使用试错法优化网络结构.以湖南省双牌水库日入库流量预测为应用实例,并将模拟结果与常规BP网络模型和新安江模型进行对比分析.结果表明,改进模型收敛速度快、预报精度高.     

基于支持向量机的水电站中长期径流组合预报

中长期径流预报是充分利用水资源、实现水电站优化运行的重要环节。以金沙江中游龙盘电站为研究对象,分别采用自回归滑动平均模型、最近邻抽样回归模型、BP神经网络建立了该水电站月径流预报模型,在分析三种模型预报结果具有一定互补性的基础上进一步建立了支持向量机分月组合预报模型。统计结果表明,与单一预报模型相比,该组合预报模型具有更高的精度和稳定性,为寻求水电站径流预报规律和制定中长期调度计划提供了技术支持。     

NNBR与SVM耦合模型在径流中长期预报中的应用

在充分考虑模型输入因子的基础上,利用最近邻抽样回归(NNBR)与支持向量机(SVM)模型各自的特点,建立了耦合预测模型,并对柘溪水库汛期径流进行预测.结果表明,与单独的SVM和NNBR模型相比,该耦合模型提高了预报精度,预报可行有效.     

基于改进杂草算法优化的神经网络模型在径流预报中的应用

针对BP神经网络在径流预报中易陷入局部最优解的缺陷及智能优化算法的优势,引入改进的杂草算法优化神经网络权值和阈值,将传统的杂草算法个体以正态分布空间扩散的方式改进为混合种群多种分布的方式产生子代个体。以金沙江流域中长期径流预报为例,将改进杂草算法优化的神经网络模型的径流预报结果与传统的BP神经网络和基于遗传算法优化的神经网络模型的预报结果进行对比。结果表明,改进杂草算法优化的神经网络应用到金沙江流域的径流预报精度较高,模型收敛更快,结果更加稳定,在实际预测中合理可行,具有一定的应用优势。研究成果为径流预报提供了新思路。     

遗传门限回归模型在河道洪水预报中的应用

提出了基于遗传算法的一套操作简便、通用的ＴＲ建模方案,并成功地将ＴＲ模型用于相应流量法去预测洪水,实例计算的结果说明其可行性和有效性。     

基于LH-BP松散耦合模型的日径流预测

鉴于基流过程对降雨不敏感,致使传统的BP神经网络日径流预测性能受到制约的问题,结合LyneHollick(LH)数字滤波算法和BP算法的优点,建立了基于LH分割基流与BP神经网络日径流预测的松散耦合模型(LH-BP)。先采用LH数字滤波算法分割出基流,再利用BP神经网络预测锦江流域四个水文站的直接径流和基流。结果表明,LH-BP耦合模型较传统的BP模型性能更优,弥补了传统的BP模型对日径流模拟与预测的不足。     

基于经验模态分解的年径流自忆性预测模型

针对径流量时间序列非线性、非平稳性的特点,利用经验模态分解法将其分解为多个不同频率下的时间序列组合揭示演变规律,采用双向差分法对分解后的各序列逐个反导其微分方程,并结合自忆性原理构建预测模型,由叠加分解后的各序列预测值获得径流量的预测值.实例结果表明,该方法充分挖掘了数据自身信息,拟合效果较好,预测年径流量准确,具有推广应用价值.     

基于GA-AHP法的径流组合预报

为进一步提高径流预报精度、增加预报结果的可靠性,提出了一种将遗传算法(GA)与层次分析法(AHP)相结合的优化组合预报权值方法(GA-AHP法),就是将小波分析法(WA)分别与自回归(AR)模型、人工神经网络(ANN)模型、支持向量机(SVM)模型进行耦合,选取MARE、SPR、REL、CPX四个评价指标量化单一模型的预报精度、泛化能力、结果可靠性、模型复杂度,依据GA-AHP法率定各模型的权值并进行组合预报。实例应用结果表明,该组合方法的预报精度更高,预报结果更可靠,对非一致性径流序列具有更强的适应性。     

DFA_VMD_LSTM组合日径流预测模型研究

为有效提取径流序列的局部特征信息、提高神经网络径流预测模型的非线性拟合能力和预测性能,引入变分模态分解(VMD)、去趋势波动分析(DFA)方法,提出了一种基于长短时记忆(LSTM)神经网络的组合日径流预测模型(DFA_VMD_LSTM),并采用均方误差(RRMSE)、平均绝对误差(MMAE)、平均绝对百分误差(MMAP...     

蝗虫优化相关向量机模型在径流预测中的应用

针对径流序列不稳定导致预测精度不高的问题,提出一种基于变分模态分解(VMD)和蝗虫优化算法(GOA)优化相关向量机(RVM)的组合径流预测模型。首先对原始非平稳的径流序列采用VMD得到若干个相对稳定的分量序列,再分别建立RVM预测模型,并采用GOA优化RVM中核函数的参数,最后累加所有分量的预测值得到径流序列的预测值。实例结果发现,较传统的BP神经网络、支持向量机及基于经验模态分解的支持向量机等模型,该模型预测精度更高,预测结果能为水电站的经济运行、水资源的有效利用等提供决策依据。     

基于油液光谱LSSVR-AR模型的发动机故障预测

针对传统油液光谱数据预测模型精度有限的不足,提出了一种基于最小二乘支持向量回归(LSSVR)与AR模型相结合的非平稳时间序列建模方法(LSSVR-AR),并应用于某型履带车辆发动机油液光谱数据及故障的预测。首先对非平稳时间序列进行最小二乘支持向量回归,得到非平稳时间序列的趋势项及剔除趋势项后的随机项;然后对随机项建立AR模型并与趋势项的LSSVR模型组合,得到非平稳时间序列模型;最后用所建模型对油液光谱数据及发动机故障进行预测。用所提建模方法对Fe、Cu、Pb、Si光谱数据预测的平均绝对百分比误差分别为1.987%、2.889%、2.343%、6.860%,明显低于其他模型。实例证明,所提模型能对发动机故障进行准确预测。     

基于改进预测模型的水电机组状态趋势预测

针对水电机组信号呈现的非线性和非平稳特性,提出了基于改进麻雀搜索算法与支持向量回归相结合的预测模型(ItSSA_SVR).将麻雀搜索算法进行自适应改进,首先在种群初始化方面,引入Sine混沌映射来影响算法的整个过程,使种群在搜索空间更加均匀的分布;其次采用自适应学习因子ω来提高算法的搜索能力,并通过Levy飞行算法这种...