仿生算法优化BP神经网络在降雨空间插值中的应用

人工神经网络能够充分挖掘已知样本中的规律,从而对未观测数据进行预测,可应用于降雨量空间插值计算中。在BP神经网络进行降雨空间插值的基础上,引入遗传、粒子群和蚁群3种仿生算法对BP神经网络初始权值和阈值进行优化,将优化后的BP神经网络应用于三峡区间流域年、月和日3个时间尺度的降雨空间插值中。结果表明:仿生算法对BP神经网络初始权值和阈值优化求解后,降低了BP神经网络陷入局部最小以及过拟合的风险,在插值过程中表现出较好的稳定性,取得了理想的插值结果。     

新安江流域降雨量空间插值方法和参数筛选

选取新安江流域48个雨量站点2000-2010年的降雨量数据以及地理地形资料,利用反距离权重(IDW)、径向基函数(RBF)、普通克里金(OK)和残差克里金(RK)方法进行插值,根据交叉验证结果筛选最佳的方法和参数.结果表明:年尺度上,考虑高程、纬度等地形因子影响的RK方法插值精度最高,然后是IDW,OK和RBF;邻近站点的搜索策略对IDW插值精度影响较大;考虑各向异性的OK法插值精度较高,模型之间的差别不大.月尺度上,IDW法对降雨量丰富的月份插值精度较高;RBF对降雨较少且分布均匀的月份插值效果好;数据越符合正态分布,OK法的插值精度越高;RK方法则适用于降雨与地理因素相关性好的月份.     

基于BP神经网络模拟闸坝下游冲刷坑空间分布

闸坝下游河床的冲刷是一个复杂的非线性系统,现有的计算方法无法得到冲刷坑的空间分布。基于BP神经网络,利用某个试验工况冲刷坑的空间坐标信息训练网络,建立其他工况闸坝下游冲刷坑的插值和预测模型,此法可精准地识别出表现优异的神经网络。将BP神经网络在特征断面的插值结果与反距离加权、克里金、局部多项式插值法的插值结果对比,分析预测值和实测值的最低点差值、均方根误差和相关系数。结果表明,BP神经网络在冲刷上游段和过渡段的插值结果明显优于其他3种插值方法且能较好地预测冲刷坑发展,可利用该方法结合BP神经网络模拟闸坝下游冲刷坑的空间分布特性。     

基于地形修正的降水空间插值方法及其应用

获取精准的降水空间分布信息对于水资源管理和洪涝灾害预报预警具有重要意义。地形变化对降水空间分布有显著影响,然而传统的降水空间插值方法难以考虑这种影响。基于黄土高原气象站1988～2017年长序列降水观测数据和高精度地形数据,建立了综合考虑站点与插值目标网格的位置、高程及坡向关系的降水空间插值方法(Angular Distance Aspect Gradient Weighting method, ADAGW),并在黄土高原地区进行应用。结果表明：相较于传统空间插值方法,ADAGW方法能够更有效地捕捉复杂地形下的降水空间分布。该方法在日尺度、月尺度、年尺度上的空间插值结果的决定性系数(R²)和均方根误差(RMSE)均优于传统降水空间插值方法;地形对于降水分布的影响与时间尺度有关,当时间尺度较长时,地形因素对降水分布的影响更为明显。该方法考虑了高程及坡向对降水空间分布的影响,有助于获取更精准的面雨量分布。     

场次降雨空间插值方法对比研究

选用反距离加权法(IDW)、局部多项式法(LPI)、普通克里金法(OK)、经验贝叶斯克里金法(EBK)、协克里金法(CK)共5种方法,进行场次降雨空间插值效果对比研究。分析不同降雨量等级(12 h、24 h时段下小雨、中雨、大雨、暴雨)和时间尺度(场次、24 h、12 h、6 h、3 h、1 h)对空间插值精度的影响,确定不同情况下适用的场次降雨空间插值方法。以安徽屯溪流域为对象,对2010—2018年23个雨量站的汛期逐时降雨量进行了空间插值验证研究,结果表明：(1)随着降雨量等级的增大,各方法插值结果的精度均不断提升;(2)随着时间尺度的减小,降雨数据空间自相关性减弱,各方法插值效果逐渐变差;(3)整体而言,不同降雨量等级和时间尺度下,考虑高程因素的CK法插值效果最优,EBK法、LPI法次之,OK法和IDW法最差。研究认为,对屯溪这类山丘区流域的场次降雨空间插值问题,考虑高程因素影响的协克里金法更为适合。     

不同空间插值方法在辽西降水空间插值的精度对比分析

本文结合区域降水站点实测降水数据,对比分析了反距离加权插值和克里金插值方法在辽西降水空间插值的精度。研究结果表明:反距离加权插值法由于考虑插值点之间的权重,在辽宁西部降水空间插值的精度高于克里金插值方法,反距离加权插值方法下降水插值和实测降水之间年和月尺度的误差分别为6.2%和20.7%,年相关系数达到0.79,克里金插值方法下降水插值和实测降水之间年和月尺度误差分别为10.9%和24.6%,年相关系数为0.51,反距离插值方法更适用于辽西地区的降水空间插值计算。研究成果可为辽宁西部无资料地区降水空间插值计算提供方法参考。     

基于水汽输送与IDW法耦合的降雨插值方法研究

在普通反距离权重法(IDW)的基础上,构建基于水汽输送与反距离权重法耦合的降雨插值方法(IDWWVT)。以三峡库区为例,利用库区及周边22个气象站点资料,分别采用IDW-WVT方法和IDW方法对22个站点2009~2013年的日降雨量进行空间插值模拟,以典型流域澎溪河的14个雨量站观测降雨资料对插值效果进行评价。结合SWAT模型,进一步分析插值降雨对澎溪河径流过程以及面源负荷过程的影响。结果表明:IDW-WVT方法对降雨量空间插值的精度明显优于IDW方法,在日尺度和月尺度中插值精度分别提高了23.1%,16.9%;同时使用IDW-WVT对径流过程和面源负荷过程的模拟效果也提升显著。     

各向异性地质体精细三维建模的新方法

为建立精度更高的各向异性地质体模型,并更直观地呈现其空间分布优选方位,通过对克里金插值与离散平滑插值方法及相关软件的分析,提出联合这2种插值方法对各向异性地质体的精细三维建模方法流程:数据收集整理——各向异性取点克里金插值——误差分析——离散平滑插值三维建模。以上海东部某新近吹填区下伏软弱层(4)层土层为三维建模对象,直观地呈现出了建模区(4)层土层的空间分布优选方位,为该区地基处理、地质灾害(如地面沉降)防治等工程提供了可靠度更高的参考依据。     

稀疏样本下冬春季月平均气温空间插值研究——以新疆玛纳斯河流域为例

针对我国典型高寒山区——新疆天山中段玛纳斯河流域积雪-融雪过程模拟中气温空间数据的制备问题,以气象站点稀少的玛纳斯河流域为研究区域,利用最小二乘相关分析法开展了冬、春季(2015年11月-2016年4月)气温环境变量分析,通过共线性检测确定了纬度、海拔、坡度、坡向、NDVI 5个环境变量组成了最优因子集,构建了基于广义回归神经网络(GRNN)的月平均气温空间插值模型。采用区域内139个站点中的119个观测站点数据作为训练数据对GRNN模型进行训练,确定了冬、春季6个月的区域气温空间插值模型。利用剩余的20个观测站点数据作为检验样本,以均方根误差(RMSE)和平均相对误差(MRE)为评价指标,对模型的回归误差进行分析。结果表明:本模型6个月的平均RMSE值为1. 46,优于传统的地理加权回归克里金(GWRK)方法(其平均RMSE值为2. 22)。此外,从不同月份的气温空间插值分布图来看,本文模型空间插值后的气温变化趋势与实际变化趋势一致。从气温的空间分布情况来看,各空间点的气温与其海拔高程呈正相关,且随地表覆盖类型变化。这也表明本文提出的插值策略并组合建立的GRNN模型对于稀疏气象站点条件下的气温空间插值精度更高,一致性较好。     

降雨空间插值方法在东江流域的比较运用

利用东江流域46个站点的已知实测降雨量,运用基于ArcGIS的三种空间插值方法(IDW、Spline、Krige)选取不同数目雨量站对东江流域降雨量进行空间插值并检验插值结果的优劣。结果表明:三种插值方法的插值结果基本能反映流域降雨量的空间分布特征,IDW法更适合东江流域的降雨量空间插值;东江流域的降雨空间插值受已知降雨量站点数目大小影响,各站点降雨量空间插值精度因插值方法的选择而异。     

PSO-BP神经网络在多输出水利定额编制中的应用

针对运用BP神经网络模型来编制水利定额存在收敛慢、精度低、稳定性差的缺陷,提出利用粒子群算法(PSO)来优化BP神经网络初始权值阈值的模型,优化模型结合了粒子群全局搜索能力和BP网络的局部探优能力。在运用MATLAB对算法模型进行编程中,首先确定模型的关键参数和开展数据的预处理,其次利用标准粒子群算法优化BP神经网络的初始连接权值阈值,最后将优化的连接值带入BP模型训练并预测,实验中连续运行了50次模型。结果表明:BP模型的双输出预测精度分别为11.13%和8.41%,有10次未达到目标精度;PSO-BP模型的双输出预测精度分别为5.65%和5.44%,全部达到目标精度。因而得出结论,PSO-BP模型比单纯BP神经网络的预测精度和稳定性更好,更适合用来指导水利定额的编制工作。     

基于粒子群优化BP神经网络的隧道围岩位移反演分析

针对无锡惠山隧道岩体破碎、围岩稳定性差等特点,基于长期现场监测变形位移数据,借助粒子群算法的参数优化功能,利用Matlab神经网络工具箱编制了优化PSO—BP隧道位移反分析系统。PSO—BP系统利用正交试验设计和有限元方法获得学习样本,再通过粒子群算法搜索最优的神经网络模型参数。用BP神经网络模型建立待反参数与实测位移之间的非线性映射关系,最后用粒子群算法从全局空间上搜索最优反演参数。克服了普通智能优化算法收敛速度慢、正分析计算量大等缺陷,具有全局优化特性。将模型应用于惠山隧道Ⅳ级围岩断面ZK6+485的反分析中,计算结果与实测值对比表明采用PSO—BP预测模型进行隧道位移预测是可行的。     

雨量站网分布对雨量插值算法及径流响应的影响

为比较雨量站网密度及分布对不同空间插值算法的影响,选取6种雨量站密度的不同分布,采用4种空间插值算法对研究区2006—2014年的日降雨进行插值,并将面均雨量作为新安江模型的输入,分析和比较其降雨径流响应。结果表明:①雨量站网空间分布越均匀,降雨插值误差越小,其径流模拟的精度也越高;②在雨量站网均匀布置的情况下,各空间插值算法的插值结果差异较小;雨量站网布置不均匀时,站点数目越少各空间插值算法插值结果差异越大;③计算点雨量时,考虑空间变量的克里金法能更准确地计算日降雨的结果;计算面雨量时,不同插值算法间差异较小,建议选用计算简便的插值算法,比如泰森多边形、反距离权重法。     

基于粒子群神经网络的凌汛开河日期预测研究

为了更准确地预测凌汛开河日期,提出用粒子群算法和BP神经网络相结合的粒子群神经网络模型。介绍了模型的设计和算法实现的流程。该模型通过粒子群算法对BP神经网络初始的权值和阈值进行优化,并以黄河内蒙段三湖河口站作为研究实例进行冰凌开河日期预测。结果表明,经粒子群优化后的BP神经网络预测精度比遗传神经网络和单一BP神经网络更高。     

交通荷载下煤矸石路基填料累积变形PSO-BP神经网络预测模型

基于煤矸石路基填料大型动三轴试验结果,采用灰色关联分析法分析累积变形影响因子,确定了围压、压实度、级配参数、循环荷载振动次数4个特征参数。引入PSO算法对BP神经网络的权重、阈值进行全局寻优并赋值,提出了一种煤矸石路基填料累积变形PSO-BP神经网络预测模型。与传统BP神经网络模型对比结果验证了该预测模型的可行性和优越性,并通过不同学习程度下模型的预测效果分析了模型的泛化能力,证明了模型的预测潜力。     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

基于改进PSO-RF算法的大坝变形预测模型

针对传统随机森林参数寻优方法的不足,引入均衡惯性权重和自适应变异对粒子群优化算法进行改进,提出了一种基于改进粒子群优化算法和随机森林算法(改进PSO-RF算法)的大坝变形预测模型。实例验证结果表明,在计算效率方面,与传统网格搜索法相比,改进PSO-RF算法显著提升了模型的寻优速度;在预测精度和稳定性方面,基于改进PSO-RF算法的大坝变形预测模型明显优于长短期记忆网络、支持向量机和BP神经网络模型。     

基于动态微粒群算法的神经网络模型及应用研究

通过对微粒群PSO优化算法惯性因子和加速因子的动态调整,保证PSO算法迭代过程中全局与局部寻优能力的动态平衡,构造了一种更加稳定准确的动态微粒群DPSO优化算法。进而将动态微粒群DPSO优化算法与传统BP神经网络相结合,分别采用动态微粒群DPSO优化算法和自适应BP算法对神经网络权值进行全局优化和局部二次优化,建立基于动态微粒群优化算法的神经网络DPSO-NN预测模型。利用所建立的动态微粒群神经网络模型对渤海某海域年极值冰厚进行训练预测,并将训练预测结果与BP-NN、GA-NN、PSO-NN模型的训练预测结果、以及实际数据进行对比分析,验证DPSO-NN预测模型具有更优的训练稳定性和预测准确性,为冰区海洋平台安全评估提供了更为可靠的环境载荷参量。     

SSO-BP模型在水资源可再生能力评价中的应用

为评价区域水资源可再生能力,提出了水资源可再生能力评价指标体系和分级标准,构建了基于BP神经网络的评价模型,并以云南省文山州水资源可再生能力评价为例进行实例研究。首先,遴选出单位面积水资源量等10个指标,构建水资源可再生能力评价指标体系和分级标准;其次,针对BP神经网络初始权值和阈值难以确定的不足,利用一种全新的仿生群体智能算法--群居蜘蛛优化（SSO）算法优化BP神经网络初始参数,提出了SSO-BP评价模型,并通过6个高维复杂函数对SSO算法进行验证,且与粒子群优化（PSO）算法进行对比;最后,利用SSO-BP模型对实例进行水资源可再生能力评价。结果表明：① SSO算法具有较好的收敛精度和全局寻优能力,可有效提高BP神经网络模型的预测精度和泛化能力。② 文山州各评价区域2014年水资源可再生能力处于最强与中等之间,符合区域现状。