基于遗传算法改进的BP神经网络模型对汛期潼关高程的计算

将遗传算法全局寻优和BP神经网络局部寻优的特点结合起来,取长补短,解决了BP网络收敛速度慢和易于陷入极小值的问题,大大提高了BP网络的计算精度和收敛速度。并应用该模型,在分析影响汛期潼关高程因素的基础上,对汛期潼关高程的变化量进行了计算。并利用该BP网络模型对不同条件下的潼关高程的变化值进行了预测,模型能很好的反映潼关高程的变化趋势。经过遗传算法改进后的BP网络在降低计算和预测的平均误差的同时,迭代次数比一般BP网络也大大减少。很适合运用在复杂的水库优化调度计算中。     

BP神经网络在密云水库入库水量预测中的应用

水库入库水量预测是水库调度和水资源优化配置的重要依据。密云水库是华北地区最大的水库,是确保首都供水安全和社会经济发展的重要水源地。反向传播BP神经网络由于具有高维性、自适应、自组织及自学习等优点,被广泛应用于水文预报中。基于BP神经网络模型对密云水库入库水量进行模拟预测,将入库流量分为汛期（6—9月）和非汛期,非汛期又分为1—5月和10—12月,不同时段分别建立BP神经网络模型,共建立3种BP神经网络模型,利用1960—2004年共45年系列样本数据分别训练3个BP网络模型,用于预报入库水量,并利用2005—2021年共17 a资料检验样本,分别代入3个BP网络模型,对预报结果进行验证,最后得到模型预报及检验结果。结果表明,利用BP神经网络进行汛期和非汛期入库水量预报,误差小,精度高,应用BP神经网络对2022和2023年入库水量进行预报,可为水资源合理优化配置提供重要依据。     

应用人工神经网络模型预测白城地区枯季地下水位

根据白城地区地形、地质、土壤、植被在一定时间范围内具有相当稳定的特性,选取10月平均水位、汛期6～9月降水量、枯季11～次年3月降水量3个因子,对次年5月平均地下水位进行预测.优化得出的BP网络模型不仅拟合精度高,而且预测效果好.     

基于芒种日分析的BP模型在中长期汛期降雨量预报中的应用

为提高汛期降雨量中长期预报的精度,采用芒种日分析充分提取有用信息,基于BP神经网络模型,构建了芒种日分析的BP神经网络耦合模型,并将其应用于北京市中长期汛期降雨量的预测。结果表明:相比于常规BP模型,耦合BP模型能够有效提高预报的精度,验证期耦合BP模型模拟值与实测值相关系数为0.78,明显优于常规BP模型的0.42;耦合BP模型较常规BP模型的预报合格率提高了40%。芒种日分析能够充分发掘隐藏在原始数据中的有用信息,降低极端值等噪声数据对预报结果的影响,有效提高了模型的预报精度。将传统节气与人工智能预报技术相结合,为中长期汛期降雨量预报提供了一种新思路。     

基于GA-BP与多隐层BP网络模型的水质预测及比较分析

采用循环算法确定最佳BP神经网络结构,建立BP神经网络水质模型进行预测.鉴于BP神经网络学习收敛速度慢、易陷入局部极值等缺点,在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建GA-BP以及多隐层BP神经网络水质预测模型,以云南省某水库总氮预测为例进行预测与比较分析.结果表明:①GA-BP网络水质模型预测精度高于基本BP网络,表明遗传算法能有效优化BP网络初始权值和阈值.②增加BP神经网络隐层数能进一步提高网络预测精度,但训练时间也随着延长.③GA-BP及多隐层BP可作为提高网络预测精度的有效方法,二者均可用于水质预测预报,可为水质预测预报提供新的途径和方法.相对而言,GA-BP模型收敛速度快、预测精度高,具有一定的计算优势.     

基于GA-BP神经网络模型在白石水库淤积量预测上的应用

文章在分析白石水库调度方式和2001-2016年16a水库淤积量的基础上,确定了水库汛期和非汛期两方面淤积量影响因子。在此基础上,建立了遗传算法的BP(GA-BP)神经网络模型,从汛期和分汛期两个方面对模型进行模拟,预测汛期和非汛期水库淤积量,经过预测值与实测值进行对比,验证所建模型对白石水库的淤积量预测有良好的适用性,为白石水库未来淤积量的计算和分析提供了新的理论和方法。     

大坝变形预测的径向基函数网络模型

在大坝变形预测中,运用人工神经网络模型进行预测分析已较为广泛,目前使用最多的是BP网络模型,但由于存在计算量巨大,且易出现局部极小和收敛慢等缺点,为此建立了大坝变形预测的径向基函数神经网络模型,并与改进的BP网络模型进行比较.实例表明,径向基函数模型具有良好的泛化能力,克服了BP模型的局部极小和收敛慢等缺陷,在预测精度及训练速度方面显著优于BP模型,具有一定的推广价值.     

流域年径流时序分析的混沌网络模型研究

以混沌理论为基础,对三峡寸滩站月平均径流量时序曲线进行了相空间重构,确定了合理的饱和关联维数.与神经网络结合,用多维相空间建立了网络学习样本和教师值,构造了混沌神经网络分析模型.结果表明:流域年径流序列具有混沌性特征;混沌网络模型预测精度要高于标准BP网络模型,预测结果的绝对误差和相对误差均小于BP网络模型.     

嘉陵江北碚站年径流量变化规律及预测研究

首先利用小波变换对北碚站年径流量变化规律进行了研究,结果表明:年径流量呈现出明显的减少趋势,并具有大约9.8a的变化周期.其次结合BP神经网络建立小波网络模型,并利用该模型对北碚站的年径流量进行预测,同时将预测结果与BP神经网络模型的预测结果进行了比较,比较结果表明:小波网络模型对径流变化的预测效果明显优于BP神经网络模型,为径流量的定量分析提供了一种新的方法.     

新疆博斯腾湖的水位动态短期预测研究

由博斯腾湖1956～1998年的水位动态变化特征可知，其水位具有明显的季节性变化特征,根据1956～1996年的实测水位数据，分别建立了ARIMA(1，l，2)x(0，l，1)12模型和BP神经网络模型，对1997～1998年的博斯腾湖水位进行了预测.结果表明，ARIMA模型和BP网络模型可以进行比较准确的短期预测，而且BP网络的预测更准确，但长期预测误差较大.     

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.     

基于神经网络的河道浅滩演变预测模型

河道浅滩演变是一个复杂的非线性动力学过程, 作者借助神经网络处理非线性问题的优势, 在分析影响河道浅滩演变因素的基础上, 建立了预测河道浅淮演变的BP网络模型, 并对模型中的输入因子和样本的提取进行了探讨. 以闽江竹岐至侯官河段为实例,用“试控法”给出了BP网络模型的建模方案, 用正交设计原理选取相应的训练样本集, 利用该样本集对网络进行学习和训练, 并用训练好的BP网络模型预测浅滩上年内最小水深和年平均淤积厚度. 计算结果表明: 模型预测结果与实际值吻合良好. 这为河道浅滩演变预测研究提供了新方法.     

改进Elman神经网络在径流预测中的应用

针对传统静态前馈神经网络动态性能较差的缺点,提出一种基于遗传算法（GA）优化Elman神经网络连接权值的GA-Elman多元变量年径流预测模型.以新疆伊犁河雅马渡站径流预测为例进行实例分析,并构建传统Elman,传统BP和GA-BP多元变量年径流预测模型作为对比模型,预测结果与文献IEA-BP网络模型预测结果进行对比.结果表明:①GA-Elman模型的拟合及预测效果略优于文献IEA-BP模型,该模型用于多元变量年径流预测是合理可行的,具有较好的预测精度和泛化能力.②在相同网络结构及传递函数等条件下,GA-Elman模型的预测精度和泛化能力优于GA-BP模型,传统Elman模型优于传统BP模型,表明具有适应时变特性的Elman反馈动态递归网络预测性能优于BP网络;GA能有效优化Elman神经网络连接权值,使网络的预测精度和泛化能力有了较大提高.     

基于粒子群收缩因子算法的BP网络径流预测模型

BP网络模型在径流预测中应用较广,效果较好.但目前对BP网络的初始权重及偏值、学习率、动量因子和训练次数多采用"试错法"来确定,具有较大的不确定性,影响到模型的收敛速度和精度.为此,提出一种利用粒子群收缩因子算法(CFPSO)对BP模型上述参数进行优化的方法,并利用径流预测实例进行检验,计算结果表明该优化方法能够提高BP模型的收敛速度和精度.     

ARIMA与ANN组合预测模型在中长期径流预报中的应用

基于时间序列预测模型及BP神经网络,提出了新的组合预测方法.该方法采用三层结构的BP神经网络来构造组合预测模型,运用时间序列模型预测方法得出的预测结果,采用历史滚动法将前5年的预测结果数据作为BP网络的输入,以当前年份的预测结果为网络期望输入,建立了ARIMA-ANN组合预报模型.利用Matlab7神经网络工具箱对塔里木河上游源流卡群水文站的年径流量进行了预报及验证.结果表明:组合模型的预报结果精度高,容错能力强,是中长期径流预报的有效方法.     

基于免疫进化算法的BP网络模型在径流预测中的应用

在BP网络模型基础上,引入免疫进化算法,建立了基于免疫进化算法的BP网络模型。该模型在一定范围内随机生成初始权值群体,用BP网络进行训练,选择群体中具有最大适应度值的权值个体作为最优个体,应用免疫进化算法生成下一代权值群体,再用BP网络对权值群体进行训练,此迭代过程反复进行,直至达到问题求解精度要求为止。将该模型应用于新疆伊犁河雅马渡站的径流预测,并将预测结果与基本BP网络模型和基于遗传算法的模糊优选BP网络模型的预测结果进行比较,结果表明,该模型不仅精度较高,而且稳定性较好。     

黄河小北干流河道冲淤演变规律研究

通过分析实测资料,探讨了黄河小北干流近几十年来的水文系列特点及河道冲淤演变规律,指出小北干流河段汛期淤积,非汛期冲刷,呈累计淤积状态。研究了河道冲淤量对来水来沙的响应关系,汛期冲淤量主要与汛期水量和沙量有关,非汛期冲刷量主要与非汛期水量正比。本文还建立了预测汛期冲淤量的BP网络算法,给出了小北干流河道不同来沙量时的合理输沙水量。     

神经网络在黄河口水沙通量研究中的应用

利用利津断面1963～1989年的水沙资料,建立了GRNN网络模型和BP神经网络模型,研究并探讨了黄河口水沙通量的预测问题.结果表明:①利用奇数年数据建立的GRNN和BP模型预测误差大、精度低,而用归一化处理的数据建立的GRNN和BP模型预测的绝对误筹小、精度高,并且GRNN的预测精度比BP模型的高;②神经网络具有很高的灵活性和非线性映射能力;③归一化的实质是自变量的无量纲化,利用量纲分析理论研究水沙影响因子,为进一步研究黄河口水沙问题提供了一个思路.     

改进BP网络模型在径流预测中的应用

为了克服传统BP网络模型在训练过程中部分参数难以快速准确拟定的缺点,利用免疫粒子群算法对BP网络模型中隐含层节点数、最大训练次数、学习效率、动量因子等参数进行决策优选,建立了基于免疫粒子群算法的改进的BP网络模型。通过应用于某水电站水库的入库径流预测,结果表明,与传统BP网络模型相比,利用改进的BP网络模型所得的径流预测结果更准确。     

应用改进BP网络对潼关高程的预测

作者在分析了影响汛前和汛后潼关高程变化值的因素的基础上，利用改进BP网络模型对非特征汛期和汛期潼关高程的变化值进行了计算。计算中不采用潼关的绝对高程，而用高程的变化量作为网络的较出物正量，从而减少计算误差，同时又能客观地考虑各影响因子的作用。改进后的BP模型学习时间短，精度满足要求。用该模型计算的潼关高程变化趋势与实际水库调度运行中的高程基本吻合。