模糊优选神经网络BP模型在黄河内蒙段封开河预报中的应用

黄河内蒙段地处黄河流域最北端,由于它特殊的地理位置、水文气象条件、河道特性,几乎年年发生凌汛。在分析凌汛成因影响因素的基础上,选取合适的预报因子,基于模糊优选神经网络BP模型,对黄河内蒙段封河、开河日期进行样本训练和预报方案验证。预报结果表明,模糊优选神经网络冰凌预报模型计算简便,精度良好。     

冰凌预报模糊优选神经网络组合预测方法

基于工程模糊集、人工神经网络、遗传算法与组合预测理论,提出了模糊优选神经网络组合预测模型,应用于黄河内蒙古段冰凌预报,给出了3种单一预测模型和组合预测模型的预测值,结果表明:组合预测模型物理意义明确,数学推导过程严谨,预测精度高于单一预测模型。     

基于模糊识别人工神经网络的冰凌预报模型

黄河内蒙古段地处黄河流域最北端,由于它的特殊地理位置、水文气象条件、河道特性,几乎每年产生凌汛。在分析影响凌汛成因因素的基础上,选取合适的预报因子,基于模糊识别人工神经网络BP模型,提出冰凌预报方法,应用于黄河内蒙段封河、开河日期的预报。结果表明,计算简便,精度良好。     

系统模糊优选理论在投资项目决策中的应用

从相对隶属度的概念出发，结合投资项目决策的特点，提出一种多目标系统模糊优选方法，建立了决策模型。该模型具有较好的通用性和可操作性，可供决策者参考。     

应用模糊优选模型优选水利枢纽工程坝型

在应用模糊优选模型优选水利枢纽坝型时，采用改进了的层次分析法，以确定影响坝型选择因素的权重，得出坝型的优次排序，进而选得最佳坝型。     

基于人工鱼群算法的冰情预报神经网络模型

在分析凌汛成因的基础上选取合适的预报因子,针对BP神经网络收敛速度慢、易陷入局部极小值的缺点,利用改进的人工鱼群算法训练BP神经网络,以黄河宁蒙河段封开河日期数据进行建模,给出了人工鱼群算法训练神经网络的基本原理和步骤,并对人工鱼群算法神经网络模型、遗传算法神经网络模型、粒子群神经网络模型的预测结果进行了对比分析。结果表明:人工鱼群算法神经网络模型对黄河内蒙古段凌汛期的封开河日期预测比较准确,预测结果优于遗传算法神经网络模型和粒子群神经网络模型。     

基于遗传神经网络的河流冰凌预报

在分析影响凌汛成因因素的基础上,选取合适的预报因子,建立了基于遗传算法(GA)和Levenberg-Marquardt BP网络(LMBP)相结合的冰凌预报神经网络模型.GA-LMBP算法先通过遗传学习算法进行全局训练,再用LMBP算法进行精确训练,克服了传统BP算法收敛速度慢、易陷入局部极小等缺陷.把该模型应用到松花江依兰、佳木斯段开河预报中,取得了良好的效果.     

基于模糊加权识别模型的相似流域优选研究

传统水文比拟法在选择相似流域时存在主观性,再加上相似流域概念的模糊性,使无资料地区的水文模拟精度不高。以福建汀江流域灈田河陂下水库为例,选择了反映流域特征的4个指标和反映地区气象特征的7个指标,分析了各指标重要性差异,构建了相似流域模糊加权模式识别模型。采用可能度法确定了各指标权重,并根据相对优属度最大原则优选出相似流域。实例应用表明:该模式识别模型优选出的相似流域具有较好的可靠性,适合用于重要水利工程的设计。     

改进的模糊多属性决策模型在河道整治方案优选中的应用研究

本文引入改进的模糊多属性决策模型对河道整治方案进行优选.研究结果表明:改进的模糊多属性决策模型改变传统模型不能考虑不同方案之间的对比度,引入相对优属度计算不同方案之间的对比度,模型计算结果更为客观、 合理.研究成果对于河道整治方案优选其他工程方案优选提供参考价值.     

黄河宁蒙河段封开河日期预报方法研究

采用多元线性回归分析方法建立了基于物理成因概念的三湖河口站封开河日期预报模型,通过相关分析方法初步挑选预报因子,再应用SPSS软件对多元线性回归的预报因子进行了筛选,并对预报模型的精度进行了评定。结果表明:①建立的多元线性回归模型能较好地拟合三湖河口站的封开河日期;②在模型检验过程中,个别年份出现了较大误差,这说明封开河日期不仅与气象因素有关,也和其他因素有关。     

神经网络理论在黄河宁蒙河段冰情预报中的应用

本文研究了以神经网络理论为核心的黄河上游宁蒙河段冰情预报。通过分析河流冰情特点,开发出了用Levenberg-Marquart算法改进传统BP神经网络理论进行冰情预报的数学模型,适用于流凌、封河、开河、水温、流凌密度、冰塞、冰坝等的预报。把该模型应用到2004—2005年冰情预报中,提前预报出2004～2005年冰情发生情况,具有良好效果。理论分析和实例论证都表明该神经网络模型能够进行宁蒙河段冰情预报。     

基于遗传算法的模糊优选BP网络模型及其应用

在模糊优选BP神经网络模型的基础上，引入遗传算法，提出融入遗传算法的模糊优选神经网络预测模型，是对模糊优选BP神经网络模型的进一步发展。其基本思路是：在BP算法训练网络出现收敛速度缓慢时启用遗传算法优化网络的运行参数，把优化的结果作为BP算法的初始值再用BP算法训练网络，这样交替运行BP算法和遗传算法，直到达到问题要求的精度。在新疆雅马渡站年径流量的预报中，预测模型在预报精度和算法的收敛速度方面都达到了较好的效果。     

深圳市供水量BP神经网络预测

城市供水量受多种因素的共同影响。以深圳市最近20多年的供水量历史数据为基础,建立了一种基于时间序列的供水量BP神经网络预测模型。该模型的平均相对误差为4.96％。根据建立的深圳市供水量BP神经网络模型的预测结果,未来深圳市近期(2005年)的年供水量将达到52 630万m3,远期(2010年)的年供水量将达到56 142万m3。     

基于人工神经网络的洪水水位预报模型

本文利用人工神经网络技术,以确定性系数为目标函数,建立以上游和本站水位资料预报本站未来若干时段洪水水位的预报模型,以探讨神经网络技术在水文预报中的应用。研究成果为提高网络训练速度和预报可能产生的超历史洪水情况,给出了输入/输出层的数据规范化的处理方法。选择珠江三角洲河网地区水位站资料,对预报模型进行检验,结果表明在合理选择输入层单元数据和预见期的条件下,可以取得很好的预报成果。     

水文预报时间序列神经网络模型

本文提出了水文预报的时间序列神经网络模型，并研制开发了相应的计算机软件，其有效性在实例中得到验证。     

一种新的模糊聚类神经网络及其在水资源评价中的应用

本文在工程模糊集理论的基础上,融合香努(Kohonen)聚类网络与自适应谐振理论(Adaptive Resonance Theory, ART)的优点给出了一种新的模糊聚类神经网络,并将其应用于区域水资源评价中。网络模型融入模糊识别理论,增强了处理复杂水资源问题的能力,同时模糊竞争的学习算法改善了Kohonen网络学习效果。结合ART理论使得网络模糊类别数可以增加,因此具有较强的可塑性。最后,通过水资源丰富度评价与水资源承载能力评价实例验证了本文提出的模型与方法的可行性与有效性。     

基于BP神经网络的参照腾发量预测模型

本文在分析影响作物蒸发蒸腾量的气象因子的基础上，以不同的气象因子组合为输入向量，以参照腾发量为输出向量，构建了气象资料不足情况下三种计算参数腾发量的BP神经网络模型BPET1、BPET2和BPET3。利用宁夏引黄灌区2000～2003年的逐日气象资料对所建模型进行反复训练和预测，并把预测结果与传统的Penman-Monteith公式计算而得的同期作物ETO值相比较。其中，BPET1的预测值与ETO值的相关系数平方为0．9914；BPET2的预测值与ETO值的相关系数平方为0．9917；BPET3的预测值与ETO值的相关系数平方为0．9854。研究结果表明，本文构建的模型计算精度较高，方法简便可行，能满足实际生产需要。     

BP神经网络预测河流月径流量

河流的月径流量是随机变化的，影响因素很多，如人类活动、降雨、下垫面的土壤、植被覆盖情况。利用人工神经网络理论建立BP（Back-Propagation，反向传播方法）网络预测模型，用该模型对河流的月径流量进行预测，BP神经网络模型计算快速，占用内存小，还有很好的容错性，可以得到比较理想的结果，精度高，可靠性好。模型建立之后，将其用于实例，通过对大量样本进行很多次的训练学习，得到训练好的BP网络模型，最后进行预测，得到令人比较满意的结果。     

基于BP神经网络的水体叶绿素a浓度预测模型优化研究

利用自动监测数据,采用神经网络对水体中叶绿素a含量进行预测,是水体中叶绿素a含量预测的主要手段之一。但受梯度下降法局部搜索的限制,传统BP神经网络模型预测精度和稳定性均存在问题。鉴于此,引入全局搜索的思维进化算法优化BP神经网络权值、阈值,提高叶绿素a预测效率;并采用偏导方法对预测模型输入因子敏感性进行分析,精简模型输入因子。结果表明:在叶绿素a的BP神经网络预测模型中,引入思维进化算法可显著提高网络训练稳定性和精度,预测精度波动范围从[0.364,0.978]提高至[0.917,0.983],平均预测精度从0.950提高到0.968。利用Dimopoulos敏感性分析将模型输入因子从12因子精简为8因子后,平均预测精度从0.968降至0.962,预测精度波动范围从[0.917,0.983]变为[0.921,0.976],预测模型稳定性更好;在输入因子数目均为8条件下,基于Dimopoulos方法敏感性分析结果筛选出的输入因子组合平均预测精度明显高于基于主成分分析法筛选出的输入因子组合。研究可为基于BP神经网络叶绿素a预测模型输入因子优化提供参考,提高模型预测的稳定性。