珠江梧州水文站枯季月径流预报

梧州站流量作为珠江下游河口地区压咸控制流量,其上游来水的丰枯直接关系到珠江流域枯季水量统一调度的成功实施。基于梧州站枯季(10月-3月)月径流资料,采用逐步回归法提取径流序列的趋势项、周期项,自回归方法预测随机项的组合预测方法建立了梧州站枯季径流预报模型。结果表明:逐步回归与自回归组合的方法在径流预报中取得了较好的预报效果,1月径流预报精度达到甲等,10月、11月、12月、2月以及3月预报精度均达到乙等,可用于实际水文预报工作中。     

年均径流预测的遗传神经网络模型研究

为了进一步提高BP网络模型对径流预测的精度,采用遗传算法优化了BP网络初始的权值和阈值。实例研究结果表明:该方法克服了传统BP网络极易陷入局部极小值点等缺点,提出的遗传神经网络预测模型能够提高预测精度。     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

小波变换结合BP神经网络进行径流预测

对BP神经网络和小波变换结合BP神经网络这两种方法在径流预测方面做了一些比较,认为在缺乏降雨、温度等相关资料的情况下,单从径流资料出发用BP神经网络进行径流预测,效果并不理想;而通过小波变换把径流序列分解为多个频率成份的叠加,再由神经网络对小波系数进行预测,最后重构出预测的径流序列的方法取得的效果较好.同时还就小波变换结合BP神经网络方法,比较了不同网络结构对径流预测效果的影响,其结论可作为对径流序列预测研究的一种参考.     

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。     

基于遗传BP算法的日径流预测

用遗传算法和BP算法相结合的混合算法来训练日径流神经网络预测模型的权值，即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，这一算法克服了BP算法收敛速度慢、易陷入局部极小等缺陷，实例证明提高了预测精度。     

BP神经网络在河段汛期径流预测中的应用

本文以武隆站与江界河1985～1986年汛期(5～10月)的实测数据为资料,利用BP算法,建立了基于人工神经网络的武隆站汛期预报模型,经过1987年的资料检验,同时与线性回归模型相比较得出,该模型预报精度良好,模型稳定可靠。     

冶河枯季径流变化趋势及预测

冶河为滹沱河支流．上游绵河．甘陶河支流于井陉县秀林镇北横口汇合后称为冶河。该区多年平均降水量531．3mm．降水年内分配极不均匀．年降水量的70％～80％集中在汛期．流域径流量主要来源于降水．多年平均径流量7．56亿m3．其中枯季径流占总径流量的55％。     

小波神经网络在径流预测中的应用

将小波分析与传统的BP神经网络模型进行组合,提出了一种新的径流中长期预测方法。该方法对年径流序列进行Mallat小波分解,将分解后得到的不同尺度下的低频成分和高频成分分别进行Mallat算法重构,对重构系列采用BP神经网络模型进行预测。采用黄河三门峡站1470-2002年的年径流资料进行模型的预测和检验,并与传统的BP神经网络模型进行比较,研究结果表明小波神经网络在径流预测中具有较好的预报精度,可以成功地用于径流模拟和预测。     

最近邻抽样回归模型及其在枯水期月径流预报中的应用

为合理调配水资源,做好枯季径流预报,可采用最近邻抽样回归模型进行预测。按照最近邻抽样回归模型的基本思路和实现算法,根据长江上游主要控制站——寸滩站1893年1月—2009年12月历史同期月整编资料,对该流域的枯季径流特性进行分析研究,通过建立模型,对模型预测效果进行验证。结果表明：该模型对枯季径流的预报精度较高,可用于作业预报。     

泾河年径流量BP神经网络模型研究

以1957—2000年的实测降水序列和泾河年径流量序列为研究对象,利用EMD法和GA建立了泾河年径流量的BP神经网络模型。分析结果表明:泾河流域年降水量变化可能存在准2～3、5～7、10～13、18～22 a的周期;基于EMD的年径流量BP神经网络模型预测值的相对误差为-4.71%～8.21%,基于GA的年径流量BP神经网络模型预测值的相对误差为2.25%～12.22%。     

基于小波分析的月径流ARIMA预测方法

将一种基于小波分析的自回归滑动平均求和（ARIMA）模型用于月径流的预测。首先利用小波变换良好的局部化特性，将月径流序列分解成不同时间尺度上的子序列；然后对各个子序列利用ARIMA模型进行预测。将采用基于小波分析的ARIMA模型的预测结果与直接使用ARIMA模型的预测结果进行比较，结果表明引入小波变换提高了月径流预报精度。     

基于Matlab神经网络的流域年径流量预测

阐述了运用人工神经网络模型对流域年径流量径流序列做出预报,表明人工神经网络模型在水文预报中具有一定的优势。通过BP神经网络算法得到了适合该神经网络模型的训练算法。以渔峡口站年径流量实测序列为研究对象,在数值试验的基础上建立了年径流序列预报的人工神经网络预报模型结构,提高了该模型的预报准确性。     

选择显著因子的BP神经网络模型研究

为了更加准确有效地分析大坝安全监测资料,保证大坝的安全、有效运行,分析了神经网络和回归分析的优缺点,提出了选择显著因子的BP神经网络模型分析方法。实例分析结果表明:神经网络和回归分析具有较强的互补性,为了保证资料分析的可靠性,可同时运用这两种方法;选择显著因子的BP神经网络分析方法避免了因子之间的相关性导致预测精度不高的缺点,减小了神经网络过度训练的几率,在保持神经网络拟合精度的同时又具有较高的预测数度。     

岩溶地区径流预报中BP网络的改进

岩溶地区下垫面复杂,各种岩溶管道、裂隙、溶洞发育使得流域不闭合,地下暗河存在水量交换,而地下水库的调蓄作用,使得流域出口断面总流量与降雨量不成绝对的线性关系。为了克服上述问题带来的岩溶地区降雨径流预报精度低问题,提出了改进的BP网络方法,并通过实例验证了此方法的可行性。以六冲河七星关站断面以上流域的平均日降水量、平均日蒸发量、前期流量作为影响因子,建立了2种预报模型：①传统BP网络模型;②运用SPASS软件筛选BP的影响因子数和调整输入层初始权值,并对逐日径流量资料进行对数处理建立改进的BP网络模型。通过实例分析发现改进的BP网络模型预报效果更好,可以有效地提高大洪峰和小洪峰的预报精度。     

尼尔基水库枯季径流预报方法分析

利用尼尔基水库52 a径流资料,分析了前后期径流（流量）相关法在尼尔基水库枯季径流预报中的适用情况,认为10月31日平均流量与11月至次年3月的径流量相关性较好,可用于尼尔基水库枯水期径流预报。