基于BP算法的龙门站含沙量预报模型

针对目前各种传统水文含沙量预报方法的不足,考虑吴堡至龙门区间入流的影响,建立了基于神经网络的BP预报模型,对龙门站最大含沙量进行了预报,并利用实测资料对模型的模拟效果进行了验证,预报精度比较理想.     

基于BP神经网络的贝叶斯概率水文预报模型

本文在贝叶斯概率水文预报系统(BFS)框架之上，研究了双牌水库水文预报的不确定性，建立了流量先验分布及似然函数的BP神经网络模型，并通过Markov链Monte Carlo(MCMC)方法求解得到流量后验分布及其统计参数。通过对双牌水库历史洪水的研究结果表明，基于BP神经网络的BFS不仅显著提高了预报精度，而且为防洪决策提供了更多的信息，使得预报人员在决策中能考虑预报的不确定性，定量的估计各种决策的风险和后果。     

BP神经网络在水文预报中的应用和展望

简要介绍BP神经网络的发展和特点,从暴雨预报,水位预测,径流分析,水资源配置与管理四个方面综合评述BP神经网络在我国水文预报作业中的应用,并就BP神经网络今后在我国的水文预报作业中的应用进行了研究展望。     

模糊神经网络在杭州湾含沙量过程预报中的应用探讨

本文从潮流泥沙模型出发，以同时刻的U，V，H和前一时刻的S，U，V，H为输入，本时刻的S为输出，建立了杭州湾含沙量模拟的模糊神经网络模型。经初步实验表明含沙星的预报较为困难，本模式只能作实时的预报，其预报尺度有限，只能有效预报1－3步，这一方面说明杭州湾含沙量变化的复杂性和不确定性，另一方面也表明试图对杭州湾含沙量过程作长期预报是不现实的。     

基于BP神经网络的农田蒸散量预报模型

本文根据石河子地区多年气象资料和作物生长、土壤水分状况,建立了以平均气温、相对湿度、净辐射量以及土壤相对湿度、棉花叶面积指数为输入向量,以实测ET为输出向量的BP神经网络蒸散量预报模型(ET(bp)).实际应用结果表明所建立的BP网络模型具有较好的预报效果,平均相对误差为6.47%,预测标准误差为0.312mm,有效性指数达到93.5%.     

冬小麦田间墒情预报的BP神经网络模型

土壤墒情预报是农田适时适量灌水的基础。田间土壤水分的变化受到外界气象因素及土壤特性、作物长势等的影响，关系比较复杂。本文利用北京市永乐店试验站冬小麦返青后的土壤水分试验资料，建立了土壤墒情预报的BP网络模型，模型中同时考虑了多个因素对土壤贮水量的影响。利用部分实测资料对网络进行训练，然后对2年不同灌水处理下的土壤贮水量进行预测，取得了较好的效果，表明BP神经网络用于墒情预报是可行的。     

珠江河口BP神经网络的成潮预报模型研究

珠江河口咸潮预报是制定抵御咸潮应急措施预案和珠江流域水资源管理坚强的技术支撑．对该预报模型的研究具有十分重要的现实意义。根据咸潮活动与上游径流大小、外海潮汐存在明显的非线性关系特性．采用非线性映射能力很强的BP神经网络对成潮进行预报，通过实际数据检验．该模型预报精度较高。     

基于BP神经网络和遗传算法的丰满水库洪水预报模型研究

根据丰满水库的流域特性,尝试使用BP神经网络模型进行洪水预报。针对随机生成网络权重的盲目性,采用遗传算法进行初始权重优化。通过历史洪水检验,证实此模型在丰满水库的洪水预报中有很高的预报精度和应用价值。     

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。     

基于改进BP神经网络的水分入渗参数预测模型

基于晋北盐碱地土壤水分原位入渗试验,建立了容量为150组的盐碱地Philip入渗模型参数样本,借助MATLAB软件,分别构建基于最值归一化法、联合归一化法的BP神经网络预测模型,其中模型的输入变量为土壤基本理化参数,输出变量为Philip入渗模型参数吸渗率S和稳渗率A,由两模型的预测结果发现,预测误差均小于6%,在建模误差允许范围之内,所建模型可靠;对比模型预报结果发现,联合归一化法处理过的输入数据更具代表性,且提高了网络收敛速度及预测精度。用实测资料对基于联合归一化法建立的模型进行精度检验,结果表明对入渗参数预测的相对误差均小于10%,模型预报精度较高,可满足实际应用的要求。     

基于BP神经网络的来水量预测模型

针对径流量长期变化的因果关系复杂特性,常规的中长期水文预报模型又很难满足精度要求,提出了基于BP神经网络的来水量预测模型。结合实际径流数据,验证了模型的预报精度,可用来进行中长期水文预报。     

基于BP神经网络的光伏发电功率预测模型研究

光伏发电功率预测对提高光伏发电并网系统调度质量有重要意义.通过建立基于BP神经网络的光伏发电预测模型,并创新性地提出将光伏组件环境清洁度作为模型输入因子,对光伏电站发电功率进行预测.采用新疆电力科学研究院光伏发电系统作为算例验证平台,证明了模型的有效性.     

基于BP神经网络的改良黄土强度参数预测

选用新型固化材料SH改良黄土,以室内土工试验数据为学习样本和测试样本,通过BP神经网络模型就含水率对改良黄土力学参数的影响进行了预测分析,结果表明:隐含层函数为正切tansig函数、输出层为对数logsig函数、隐含层神经元数为9时训练次数最少,模型误差最小;根据试验数据建立了非线性预测模型,预测结果与试验数值基本吻合,内摩擦角的平均误差为0.5%,黏聚力的平均误差为7.74%,内摩擦角的预测效果优于黏聚力的,但整体误差较小,且都在土工试验允许误差范围内,可见将BP神经网络应用到力学参数的预测中是合理的。     

基于中心逼近式灰色神经网络模型的水质预测

对时间序列建立中心逼近式GM(1,1)模型,通过优选模型的m值弱化序列变幅,利用BP神经网络对该模型残差值进行拟合修正,以此构建一个基于中心逼近式GM(1,1)模型的灰色神经网络预测模型.应用实例的计算结果表明,该模型可提高水质预测精度.     

基于MATLAB下BP神经网络的边坡稳定性预测

将MATLAB中的BP神经网络引入到边坡稳定性研究中,但由于标准的BP算法存在收敛速度慢、容易陷人局部极小点等缺点,为此采用各种改进及优化的算法,以寻求更适合边坡稳定性预测研究的算法。本文结合了大量边坡实例,经过理论分析和实例测试,能显著提高训练速度、减少收敛周期,达到很好的边坡稳定性预测结果。     

基于BP神经网络的MIKE SHE模型参数率定

为了更精细地对水文全过程进行描述和解析,更准确地构建分布式水文模型,以丹麦Karup流域为例,对MIKE SHE模型的饱和导水率、饱和带水平水力传导系数、河床透水系数进行了参数率定,模拟流域的日径流过程。结果表明:基于BP神经网络反分析的参数率定方法比MIKE SHE模型参数自动率定计算得到的均方根误差RMSE小,模型效率系数Ens更接近1;采用BP神经网络反演率定参数后,3组测试样本的日径流模拟过程的RMSE分别为0.04,0.03,0.08 m³/s,Ens均为0.99,且模拟结果能较好地反映径流的实际变化趋势。因此,这种基于BP神经网络反分析的参数率定方法对构建分布式水文模型具有一定的价值。     

基于BP神经网络的坡面流阻力模型试验研究

通过室内人工模拟降雨试验,根据45、90、130 mm/h降雨强度下20°裸地坡面的坡面流阻力系数变化特征,以模拟降雨强度、坡面流流速、坡面流水深、坡面糙率为输入变量,坡面阻力系数为输出变量,建立了基于BP神经网络的坡面流阻力系数模型,采用遗传算法进行模型参数寻优,使用AdaBoost算法对所建模型进行优化。结果表明:BP神经网络模型能够用于坡面流阻力系数的计算,AdaBoost优化后的模型对测试集的平均预测误差为8.94%,比未优化模型的平均预测误差减小了8.96个百分点,模拟预测精度显著提高。