基于遗传神经网络的城市用水量预测研究

介绍了BP(误差反向传播算法)和GA(遗传算法)及GA-BP 3种神经网络,并以此分别对城市用水量进行预测.实验结果表明,基于GA-BP算法的神经网络方法应用于城市用水量的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小.GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为未来短期城市用水量负荷的准确预测提供了新的思路与方法.     

基于主成分分析的BP神经网络对南京市水资源需求量预测

以南京市为例,利用1999-2010年的总用水量数据,采用主成分分析法对影响水资源需求量的9个因子进行主要影响因子分析,根据确定的主要影响因子构造BP神经网络的输入样本,从而进行不同水平的年总需水量预测.结果表明:人口、GDP、万元GDP用水量、人均水资源量、污水年排放量为影响研究区需水量的主要因子,将此作为主要因子构造BP神经网络的输入样本,确定网络输入节点数,建立南京市总需水量预测模型.模拟计算结果表明,基于主成分分析的BP神经网络模型,预测结果的平均误差小于0.2亿m3.     

主成分回归在城市用水量预测中的应用

运用多元统计分析中的主成分分析法通过提取两个主成分,克服变量之间的相关性,然后再进行回归,建立主成分回归的城市用水量模型,并对模型进行了拟合检验,取得了较为满意的结果。     

基于BP神经网络预测区域农业用水量

在农业用水量预测中,避开复杂系统的内部因素及其相互联系,只考虑产量、降水、非耕地耗水量和土地利用系数等影响因素。运用多层前馈网络的误差反向传播算法,通过输入输出因子规格化处理及因子的选取与修正,进行区域农业用水量预测。将BP神经网络训练方法用于典型区进行预报检验,最大相对误差在12%以下,所有结果从定性上都是一致的。     

基于主成分分析的GA-BP模型在城市需水预测中的应用研究

针对城市需水预测模型中需水量影响因子多、影响因子之间普遍存在多重共线问题,以及BP神经网络收敛速度慢、易陷入局部最优等缺点,提出一种由主成分分析、遗传算法及BP神经网络三者相结合的改进预测模型。以泰州市为实例,建立以主成分分析筛选需水量主要影响因子,遗传算法优化BP网络连接权值和阈值的需水预测模型,预测结果与BP神经网络预测模型预测结果做对比。结果表明:改进预测模型对泰州市2003-2014年需水量预测的平均相对误差为0.564%,最大相对误差为1.681%,精度优于BP神经网络预测模型;改进预测模型预测值与实际泰州市需水量吻合良好且训练速度更快、预测精度更高,可作为需水预测的一种有效方法。     

基于主成分分析的BP神经网络在延安市需水预测中的应用

利用延安市1990～2010年的需水量数据,采用主成分分析法对影响水资源需求量的10个因子进行了分析.结果表明:GDP、降雨量、居民生活用水量及生态环境用水量4个因子为影响需水量的主要因子,将此作为主要因子构造BP神经网络的输入样本,建立延安市需水量预测模型.模拟结果与实际值相吻合,并利用模型对2015年需水量进行了预测.     

灰色模型和BP神经网络模型在城市时用水量预测中的应用比较

在城市时用水量预测模型中,灰色模型和BP神经网络模型是两个应用较为广泛的模型,是它们有着各自的优缺点,预测精度也不相同.本文以南方某市为例,基于两种模型的预测原理,利用MATLAB数学软件对该市的时用水量进行了预测,并对两个预测模型的预测结果进行了误差比较分析,得出了BP神经网络模型是适合该市的时用水量预测模型.     

用灰色动态模型预测城市用水量

在世界水资源发生严重危机的今天,人们更加认识到城市用水量预测的必要性和重要性。城市用水量的预测就是根据城市迄今为止已知的用水量及与此相关的其它资料来分析未来某一时刻(时段)用水量的过程。通过预测,为城市社会经济的发展、水资源的开发分配、水污染控制乃至社会经济的规划等提供必要的信息。 灰色系统是相对黑色和白色系统而言。黑色表示信息缺乏,白色表示信息充足,而灰色系统是指系统中既含有已知信息又含有未知或     

基于BP神经网络的区域需水预测

本文基于BP神经网络L-M的改进算法,建立人工神经网络区域需水预测模型,选取GDP、人口、粮食作为区域需水预测因子,将BP神经网络模型应用到文山州区域需水预测中,并运用MATLAB神经网络工具箱进行模拟计算.     

基于耦合主成分法的小波网络模型城市需水预测

为了尽可能准确预测城市未来的需水量,以上海市为例,对年用水量的9个相关因子进行主成分分析,得到两个综合因子。将两综合因子与用水量的历史数据一起作为输入项,建立一种小波网络模型,以1980～2005年的数据为训练样本,采用引入了附加动量项和自适应学习率的BP算法进行模型率定,并以2006～2008年的数据对模型进行了检验。结果表明:所建模型结构简洁,收敛速度与预测精度均较为理想,在城市需水预测中有着广阔的应用前景。而如何选择最佳隐层数和隐层节点数以及获得更快的收敛速度仍将是今后研究的重点问题     

贝叶斯神经网络在城市短期用水预测中的应用

严格水资源管理制度实施的背景下,短期用水量预测对城市供水系统调度的作用日益显著。在分析日用水量时序演化规律及随机性影响因素的基础上,以前7天每日用水量、日最高温度、当月用水量占全年比、日降水量、节假情况作为短期用水量预测指标,构建了BP神经网络城市短期用水量预测模型,并利用贝叶斯正则化对BP神经网络进行优化。将两种模型应用于广州市某自来水公司进行对比验证,结果表明,贝叶斯神经网络预测模型与BP神经网络预测模型的平均绝对百分比误差分别达0.87%与1.85%,经贝叶斯正则化的BP神经网络模型泛化能力更强,精度提高了约0.98%,更符合城市短期用水量预测的高精度要求。     

基于遗传-神经网络的城市需水量预测方法研究

为了实现城市可持续发展，城市需水量预测极为重要。针对目前常用的灰色预测方法，从建模机理出发，指出了灰色建模中存在的不足。本文将人工神经网络原理引入城市需水量预测中，并针对BP网络收敛速度慢、易陷入局部极小的缺陷，提出了基于GA和BP的预测模型，实例研究表明该模型是一种行之有效的城市需水量预测模型。     

基于BP神经网络的宁夏水资源需求量预测

利用宁夏2000-2010年的需水量数据,提取了人口数、GDP、工业总产值和降水量为主要影响因子,采用主成分分析法对影响水资源需求量的8个因子进行了分析。将此作为输入样本构建BP神经网络模型,用训练测试好的神经网络对2011和2012年水资源需求量进行了预测,预测结果为宁夏水资源规划管理提供参考。     

RBF与GRNN神经网络模型在城市需水预测中的应用

针对需水量预测具有受诸多因素影响的复杂、高维和非线性等特性,本文基于RBF与GRNN神经网络算法原理,构建RBF与GRNN神经网络需水预测模型,将模型应用于城市需水预测中,并与基本BP神经网络模型以及灰色GM(1,1)需水预测模型的拟合、预测结果进行了对比分析.结果表明:①RBF与GRNN神经网络模型有着较高的拟合、预测精度,平均相对误差均在5％以内,表明研究建立的RBF与GRNN神经网络模型应用于需水预测是合理可行的,模型泛化能力强,预测精度高,算法稳定,与基本BP网络算法相比,RBF与GRNN网络模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点,可以更快地预测网络,有着良好的应用前景.②相对而言,RBF与GRNN神经网络模型预测精度要优于基本BP网络和灰色GM(1,1)模型.     

基于模糊神经网络的区域需水预测计算模型

将神经网络和模糊理论相结合建立模糊神经网络模型,从模糊神经网络角度并运用灰色系统理论对区域需水量进行预测,通过应用于盐城市在未来2010年需水预测的实例,计算分析结果表明该模型具有良好的可行性和合理性,可以借此深入分析外生变量与区域需水量之间的关系。     

基于GA-Elman神经网络模型的年径流预测

针对传统神经网络模型静态性及训练算法易陷入局部极值的缺陷,为了实现神经网络训练全局寻优,提高模拟精度,并使网络结构能动态反映年径流系列的时变特性,本文以年降雨及气温作为输入因子、年径流量为模型预测对象,结合遗传算法和Elman神经网络各自的优点,采用遗传算法对网络权值阈值全局优化,通过二者的耦合构建了GA-Elman年径流预测模型。利用构皮滩站1961—2015年的径流系列对模型进行了训练及测试,并对各模型预测性能比较分析。结果表明:GA-Elman模型预测平均相对误差5.29%、均方根误差55.81 mm,效果良好,对于径流预测具有实用价值;神经网络模型预测精度优于基于线性方法的模型,预测平均相对误差从12.01%降至7.07%以下;采用遗传算法改进神经网络权值阈值优化过程,预测平均相对误差从7.07%降低到5.29%,可明显提高模型泛化能力,从而改善径流预测效果。     

BP神经网络在水资源承载能力预测中的应用

采用三层的BP神经网络结构,选取与水资源承载力密切相关的6个社会经济指标,根据1995～2004年10年时间序列指标数据,运用MATLAB中改进的BP神经网络算法建立了长春市水资源需求量预测模型,通过预测值和检验值的误差比较,表明预测模型的精度较高。参考长春市“十一五”规划期间的社会和经济发展目标,预测得到“十一五”期间长春市水资源需求量,对比现有供水能力,“十一五”期间水资源承载能力无法满足社会和经济的发展要求,为实现资源、社会和经济的协调发展,从开源和节流两个方面提出了水资源的可持续利用对策。     

基于主成分分析与BP神经网络模型的大坝渗流监测资料分析

大坝渗流观测资料分析中,各因子间常存在不同程度的相关性,这种相关性有时会对分析效果产生较大的影响,另外,通常的回归模型为线性模型,难以精确反映一般为非线性函数的因变量的变化规律。针对上述问题,本文将主成分分析和神经网络相结合,建立大坝渗流观测数据的主成分神经网络模型,经实例计算,该模型的预报精度较高。     

基于MATLAB下BP网络在河流污染物浓度预报中的应用

文中简介了MATLAB语言和BP神经网络，并运用于河流污染物浓度的预报中，取得了良好的效果，说明运用BP神经网络进行河流污染物浓度预报是可行的．人工神经网络用于解决河流污染物传播扩散的复杂非线性问题，具有其独特优势．运用MATLAB神经网络工具箱，免去了繁琐的编程工作，值得进一步的研究和实践。