日含沙量时间序列的混沌识别与预测研究

运用关联指数饱和法和改进的最大Lyapunov指数方法对流域产沙系统进行了混沌识别,结果表明日含量序列具有混沌特性.并以重构相空间的饱和嵌入维数作为神经网络输入层节点数,将混沌理论和神经网络二者有机结合,建立了混沌神经网络模型.将该模型用于黄河上游头道拐水文站汛期日含沙量预测,结果表明,该模型应用在汛期日含沙量预测中具有较高的精度.     

降水时间序列的混沌特征分析

以广东省东江流域月降雨序列为例，在介绍相空间重构原理的基础上，探讨了混沌分析的主要定量指标：饱和关联维数D2和最大Lyapunov指数λ。得到该时间序列的饱和关联维数D2=3．93，最小嵌入维数m=8，最佳嵌入滞时r=3个月，最大Lyapunov指数A=0．253。并且采用主分量方法进一步验证了该序列具有混沌特性，为东江流域月降雨预测提供了较为科学的依据。     

昕水河月径流量混沌特性分析

将功率谱分析与混沌理论结合,以昕水河流域为研究对象,对其1956-2000年月径流量的混沌特性进行了分析.结果表明:昕水河月径流量具有混沌特性,从月径流量时间序列的嵌入维数、饱和关联维数和Kolmogorov熵计算得知,月径流量序列的可预报长度为10个月左右.     

汀江流域降水径流时间序列的混沌分析

越来越多的研究表明水文系统是一个高度非线性、复杂性的巨型系统。混沌理论为研究变化环境下水文要素特性提供了新方法。以汀江流域上杭水文站月尺度降雨径流时间序列为对象,采用饱和关联维数和最大Lya-punov指数指标识别混沌特性。分析结果表明,汀江流域月尺度降雨、径流的饱和关联维数均为分数维数,最大Lyapunov指数均大于零,可推断其存在明显的混沌特性,为进一步研究降雨径流预报提供依据。     

月径流序列的混沌特征识别及Volterra自适应预测法的应用

在混沌动力系统相空间重构的基础上,利用关联维数法和最大Lyapunov指数法,对月径流时间序列进行混沌特性识别。然后结合自适应技术的实时递推特性和Volterra级数的非线性表征能力,利用Volterra自适应滤波法可对径流时间序列进行预测。通过江桥站和丰满水库实际月径流序列的预测结果表明,月径流序列中存在着一定的混沌特征。应用Volterra自适应法可以有效地对水文时间序列进行预测,与加权一阶局域预测法相比,能够实现更高精度的多步预测。     

基于Lyapunov指数的观测数据短期预测

本文介绍大坝观测数据的Lyapunov指数预报分析方法，应用混沌方法对大坝时间观测序列数据进行处理，并将这种混沌特性应用于大坝变形预测，根据大坝变形的时间观测数据及计算所得的Lyapunov指数规律，就可计算得到较好的预测结果；并对混沌时间序列相空间重构中的延迟时间间隔和嵌入维数的选取方法进行了讨论；结合实例对Lyapunov指数预测方法进行计算验证。     

LS-SVM和RBF神经网络模型在降雨预测中的应用

采用相空间重构理论计算实测月降雨的延迟时间、嵌入维数、C-P饱和关联维数和Laypunov指数,证明乌尔逊河流域月降雨时间序列存在混沌现象.使用LS-SVM预测模型和RBF神经网络预测模型,两种模型对乌尔逊河流域月降雨时间序列进行对比分析.在预测精度上,LS-SVM测模型的预测精度不太理想,而RBF神经网络预测模型在降雨量很少的月份精度也很低.若想在干旱区半干旱区的降雨预测中应用,需要进一步研究.     

LS—SVM和RBF神经网络模型在降雨预测中的应用

采用相空间重构理论计算实测月降雨的延迟时间、嵌入维数、G—P饱和关联维数和Laypunov指数,证明乌尔逊河流域月降雨时间序列存在混沌现象。使用LS—SVM预测模型和RBF神经网络预测模型,两种模型对乌尔逊河流域月降雨时间序列进行对比分析。在预测精度上,LS—SVM测模型的预测精度不太理想,而RBF神经网络预测模型在降雨量很少的月份精度也很低。若想在干旱区半干旱区的降雨预测中应用,需要进一步研究。     

参考作物腾发量的混沌性识别及预测

本文应用饱和关联维数法对海河流域张北站从1966~2005年50年的参考作物腾发量序列进行混沌性识别,结果表明该序列存在一定的混沌特性。同时,运用自相关函数法和饱和关联维数法确定了该序列重构相空间的嵌入维数和延迟时间,并在此基础上进行了相空间的重构。建立了混沌局域法预测模型对相空间的演化进行了计算,实现了参考作物腾发量的预测,并与时间序列自回归(AR)模型和基于气象资料的BP神经网络模型预测结果进行了比较。结果表明,预测效果比BP网络模型稍差,但明显优于AR模型。这为解决缺乏气象资料地区参考作物腾发量预测问题提供了新的思路。     

重庆藕塘滑坡地下水位时间序列混沌性判别与预测

在周期性库水位涨落和季节性强降雨等因素影响下,藕塘滑坡前缘地下水位时间序列呈现混沌特性。以藕塘滑坡前缘水文孔(MZK5)地下水位序列为研究对象,进行混沌分析;并利用饱和关联维数法和最大Lyapunov指数法,在水位序列相空间重构的基础上对混沌特性验证。为克服粒子群算法本身的不足和SVR模型参数选取困难的缺点,采用基于遗传选择策略的粒子群算法(GSSPSO)优化选取SVR模型的参数,再用预测性能较为精准的回归型支持向量机(SVR)模型对其进行预测。对MZK5水文孔地下水位进行了BP神经网络模型预测和优化后模型(GSSPSO-SVR)预测。结果表明:藕塘滑坡前缘地下水位序列具有混沌特征,GSSPSOSVR模型预测结果的均方根误差为0.036 m,拟合优度为0.803,说明GSSPSO-SVR模型预测效果较理想,且预测精度高于BP网络模型,具有较强的实用性。     

基于混沌理论的明渠湍流速度特征

为了揭示湍流运动的混沌特征规律,选择明渠水槽试验,采用ADV测量沿程衰减的湍流速度场,结合混沌理论,对湍流速度时间序列进行相空间重构,计算对应的混沌特征参数(延迟时间、关联维度、Lyapunov指数、Kolmogrov熵),探究明渠湍流速度混沌特征。分析结果表明:明渠湍流具有混沌特征;安装湍流控制板后,沿水深向上方向和水流方向,湍流的混沌特性不断减弱;进一步通过与湍流统计平均参数比较表明,混沌特征参数的强弱能够反映出湍流涡结构在空间耗散和消亡的变化规律。     

基于混沌理论的汉江上游安康站1950-2014年逐月降水量特征

通过对安康站1950-2014年逐月降水量的趋势进行分析,发现其降水存在周期变化.基于自相关函数法、C-C关联积分法来确定安康站降水的非线性系统的延迟时间、嵌入维数后,对降水序列进行了相空间重构,并利用G-P关联维法以及最大Lyapunov指数法进行混沌特征识别.结果显示:采用G-P关联维算法分析安康站1950-201...     

观测数据分析中几种方法的探讨(三)混沌时间序列的预测

介绍了混沌时间序列分析中根据单个时间序列重建相空间，用关联维方法和李雅普诺夫指数来辨识观测数据中存在混沌的可能性，以及全局和局部预测方法。这些概念与技术必将对大坝监测的非线性预测发挥重要影响。     

Investigating Chaos and Nonlinear Forecasting in Short Term and Mid-term River Discharge

In the present study, an attempt is made to investigate and identify chaos using various techniques as well as river flow forecasting in short-term (daily) and mid-term (monthly) scales using nonlinear local approximation method (NLA) and ARIMA method. Daily and monthly flow data of Daintree River in Australia from 1969 to 2011 are used. In this respect, seven nonlinear dynamic methods including (1) average mutual information function; (2) phase space reconstruction; (3) false nearest neighbour algorithm; (4) method of surrogate data; (5) correlation dimension method; (6) Lyapunov exponent method; and (7) nonlinear local approximation are employed. The Takens’ theorem, mutual information and false nearest neighbour are used to determine the delay time and embedding dimension for the phase space reconstruction. The correlation dimensions obtained for the short term and mid-term river flow are 6.7 and 3.3, respectively. The finite dimensions obtained for the short term and mid-term river flow time series indicate the possible existence of chaos. The comparative analyses show that the NLA method is superior to ARIMA in mid-term scale while both models are acceptable for short term scale forecasting.     

国内外河流（网）非线性动力系统防灾分形理论研究综述

河流(网)非线性动力系统发展一般遵循"相对稳定—混沌—无序—分形自组织—恢复相对稳定"的变化规律,演变过程表现出一定的混沌分形特征。从长序列水文过程分形、洪水分期分形、河流形态演变分形、洪灾时序及频次分形、水文多尺度分形等5个方面,分析探讨了国内外河流(网)动力系统防灾分形理论研究动态及趋势展望。提出水利智能分形复合理论、流域多尺度洪灾分维动力机制、河型转化分维判别标准、河流演变复合参数分形特征与物理机制、堤防灾变系统演化分形混沌理论、水文多尺度智能分形与决策支持等方面是分形混沌学与水科学、灾害学及人工智能学交叉发展未来取得重要突破的关键方向。     

Analysis of Irrigation Water Use Efficiency Based on the Chaos Features of a Rainfall Time Series

The chaos theory is used to analyze the mechanism behind the response of irrigation water use efficiency (IWUE) to rainfall in irrigation districts of the Heilongjiang Province in China. The Lyapunov exponent and correlation dimension of the monthly rainfall time series of eight large- and medium-sized irrigation districts are calculated, and the correlations between IWUE and certain factors are analyzed. The results indicate that the monthly rainfall time series of each district sample exhibits chaotic characteristics, and high correlations exist between IWUE and the chaos features of the monthly rainfall time series. Furthermore, the scale of the irrigation district has some correlations with IWUE. The research results show that the difference in the temporal distribution of rainfall and the difference in the scale of an irrigation district both impact IWUE. This study provides a theoretical basis for improving the usage efficiency of water resources in the irrigation districts of Heilongjiang Province and for increasing the IWUE.     

日径流序列混沌识别中合理长度的确定

混沌理论是进行水文时间序列分析的重要手段。为保证分析结果的可靠,主张充分利用现有资料,但目前缺乏时间序列长度对混沌特性识别影响的研究。以长江上游武隆站和北碚站日径流序列(1951年-2012年)为例,通过对二者进行混沌分析,研究了最大Lyapunov指数对序列长度的响应。结果表明,日径流时间序列长度过小时会影响混沌识别结果,使结果缺乏可靠性;并不是样本序列长度越长混沌识别结果越好;当序列长度达到3 000左右时,序列的混沌特性达到稳定,结果可靠并缩短了计算时间。     

混沌神经网络在地表水资源量预测中的应用

为了有效地揭示水资源系统复杂的非线性结构及变化规律,对具有混沌特性的水资源时间序列重构相空间,计算出相空间的饱和嵌入维数和最大Lyapunov指数,并以此为指导,提出一种适用于高精度逼近和泛化建模的混沌神经网络的学习算法,运用混沌方法构造训练样本及确定神经网络的网络结构,用神经网络拟合相空间相点演化的非线性关系,建立混沌神经网络预测模型。实例表明,该模型有较高的预报精度。