基于支持向量回归的水体余氯衰减规律研究

根据耗氯试验历史数据,基于支持向量回归方法建立了水体余氯衰减模型,并分析其主要影响因素.利用核函数的非线性特征,得到较为满意的模型拟合精度与预测性能.发现余氯衰减规律可分为两段,初期衰减非常快,其后衰减明显变慢,且不能用一级反应动力学描述。     

基于PSO-SVR模型的供水系统余氯预测研究

支持向量机回归(SVR)模型在非线性预测方面具有优良性能,基于该模型对供水系统余氯变化过程进行预测,并采用二阶振荡粒子群优化算法(SOPSO)对SVR模型参数进行优化调整,以提高小样本状态下模型的模拟精度,增强模型的泛化性能。将优化后的SVR模型应用于某供水系统余氯预测,结果表明:在有限样本状态下,优化后的SVR模型的预测平均误差小,明显优于BP神经网络模型和ARX模型,并具有较强的稳健性。该预测模型能较好地解决传统模型在小样本状态下余氯预测精度不高、预测效果较差的问题,为研究供水系统余氯变化过程及动态预测提供了新的途径。     

改进多元回归法与神经网络应用于水质预测

为提高水质预测模型的精度,在传统算法的基础上,提出了改进多元非线性回归算法,并以黄河干流龙门至潼关监测断面的水质预测为例,与神经网络算法进行了比较计算。结果表明,两种模型均可用于黄河水质预测,改进多元非线性回归模型预测效果略优于人工神经网络模型。     

基于改进粒子群算法优化BP神经网络的西江水质预测研究

为了提高西江水质预测的精度,提出一种改进粒子群算法优化BP神经网络的水质预测模型.首先,为提高PSO算法的收敛速度并避免其陷入局部最优,PSO算法种群被划分为普通子群、优良子群和较差子群,提出一种云模型改进PSO惯性权重的云模型粒子群算法;其次,针对BP神经网络存在收敛速度慢和局部最优的问题,运用云模型粒子群算法迭代寻...     

基于BP神经网络的水体叶绿素a浓度预测模型优化研究

利用自动监测数据,采用神经网络对水体中叶绿素a含量进行预测,是水体中叶绿素a含量预测的主要手段之一。但受梯度下降法局部搜索的限制,传统BP神经网络模型预测精度和稳定性均存在问题。鉴于此,引入全局搜索的思维进化算法优化BP神经网络权值、阈值,提高叶绿素a预测效率;并采用偏导方法对预测模型输入因子敏感性进行分析,精简模型输入因子。结果表明:在叶绿素a的BP神经网络预测模型中,引入思维进化算法可显著提高网络训练稳定性和精度,预测精度波动范围从[0.364,0.978]提高至[0.917,0.983],平均预测精度从0.950提高到0.968。利用Dimopoulos敏感性分析将模型输入因子从12因子精简为8因子后,平均预测精度从0.968降至0.962,预测精度波动范围从[0.917,0.983]变为[0.921,0.976],预测模型稳定性更好;在输入因子数目均为8条件下,基于Dimopoulos方法敏感性分析结果筛选出的输入因子组合平均预测精度明显高于基于主成分分析法筛选出的输入因子组合。研究可为基于BP神经网络叶绿素a预测模型输入因子优化提供参考,提高模型预测的稳定性。     

基于改进GWO-BP神经网络模型的箱涵沉降预测

箱涵受外部荷载等多方面影响,会出现一定程度的不均匀沉降,可能会对箱涵结构造成破坏,因此箱涵地基沉降预测十分重要.引入灰狼算法(GWO)对BP神经网络的权值和阈值进行寻优,建立了基于改进的GWO-BP预测模型,对箱涵的沉降值进行预测.将该预测模型应用于南水北调工程天津某标段的箱涵沉降预测,并将预测值与实测值进行对比,相对...     

基于RBF神经网络的农业需水量预测

介绍了径向基函数神经网络的原理、训练算法,建立的径向基函数神经网络农业需水量预测模型具有较强的非线性处理能力和逼近能力,运算速度快、性能稳定,克服了BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,预测精度较高,泛化能力强。     

基于深度神经网络的高位滑坡范围预测

以贵州尖山营滑坡为工程背景,通过对深度学习的总结与分析,建立多层感知器模型以对该滑坡危险区范围进行非线性预测研究。通过对深度神经网络算法的优化,构建64-128-32-1四层多层感知器模型,并以滑坡最大高差、滑坡体积、滑源区坡度、坡脚坡度、地层倾角作为输入量,以滑坡最大水平运动距离作为输出量对该模型进行训练,实现影响因素与运动距离的非线性映射。根据对贵州省尖山营滑坡调查和研究,尖山营滑坡区域面积约648 700 m2,体积约1 200万 m3,属于特大型滑坡。依据最优模型对该滑坡进行滑距预测,滑坡平面直线距离1 769 m区域内为危险区域。     

基于神经网络的金盆水库大坝应力预测

针对金盆水库原形观测——大坝应力的温度效应、时变效应，通过对比神经网络各种算法的优缺点，提出一种能够在线学习、在线预测的递推径向基函数神经网络，用于监测可能造成大坝纵横裂缝的大坝应力。实际数据的仿真预测结果与以往算法相比，克服了以往算法只能离线训练，或在线训练费时、耗内存的缺点，显示了一定的有效性和实用性。     

改进RBF神经网络法在大坝位移分析中的应用

针对RBF神经网络容易出现局部最优解和收敛速度慢的问题,提出引入惯性权重来改进混合蛙跳算法,继而用改进方法优化RBF神经网络。改进的混合蛙跳算法通过设定一个合理的初始权重,从而达到修正青蛙群体的更新策略、跳出局部最优解、避免早熟的目的,同时具有平衡全局搜索和局部搜索的能力,很好地解决了传统RBF神经网络局部最优和收敛速度慢的问题。以某大坝位移分析为例,采用基于改进蛙跳算法的RBF神经网络后,模型预测精度有了较大的提高,与工程实际更为接近,具有一定的工程实用价值。     

基于RBF神经网络的山西省工业取水量预测

在分析山西省规模以上工业取水量主要影响因素基础上,利用RBF神经网络,建立了规模以上工业取水量预测模型,采用最近邻聚类学习算法确定径向基函数的宽度、选取聚类中心和权值。先用数年实际取水量数据训练网络,然后用训练好的网络模型预测取水量。结果表明:RBF神经网络结构自适应确定、训练不依赖初始权值、速度快、精度高、结果可靠。     

基于改进BP神经网络的水库调度函数研究

介绍了BP神经网络的基本原理及其改进方法。运用改进BP神经网络对水库调度函数进行非线性拟合,并将所得的调度函数应用于水库群联合调度。模拟调度中以出流和时段末水位做决策,两者相互印证和补充。实例表明,神经网络拟合精度较高,水库群的模拟联合调度取得了满意的效果。对于金沙江下游梯级及三峡葛洲坝水库组成的6库水电系统,对比按常规调度和线性调度函数方式,梯级保证出力分别增加了380 MW和160 MW,年均电量分别提高了73.79亿kW.h和12.45亿kW.h,年均弃水量分别减少了512.5亿m3和87.7亿m3,效果显著。     

基于蚁群优化神经网络的混凝土坝位移安全监控模型

反向传播算法(BP)作为一种多层前馈神经网络模型广泛应用于水利工程监测资料分析中,文中考虑到该算法在求解过程中精度较低、搜索速度慢和易于陷入局部极小值等缺点,将蚁群算法(ACO)引入其中,并提出了一种基于蚁群优化神经网络的计算方法,通过对该模型中的权值进行寻优求解,构建了混凝土坝位移监控的ACO-BP模型。最后,通过实例证明了文中所建模型的合适性和快速性。鉴于此模型的有效性,为大坝的安全监控和风险预警提出了一种新的评价依据。     

基于RBF神经网络的农田土壤含盐量预测

介绍了径向基函数（RBF）神经网络的原理、训练算法,建立的径向基函数神经网络农田土壤含盐量预测模型具有较强的非线性处理能力和逼近能力,使用实际观测数据进行计算,模型运算速度快、性能稳定、预测结果精度较高、泛化能力强。     

基于模糊神经网络的城市供水系统负荷预测

针对城市供水系统的复杂性、非线性、时变化性与多因素影响的特点，引入了模糊逻辑系统（ＦＬＳ）和人工神经网络（ＡＮＮ），将一种改进的最近邻聚类算法，用于城市水负荷预测，对短期、中长期水负荷的预测实验表明，该方法结构简单，精度高。     

基于聚类神经网络预测的上网电量优化

将神经网络用于径流预测,通过对数据的分析,建立了单节点输出结构的预测模型,有效地减少了预测误差.通过聚类的方法对数据进行分析,很好地解决了选取适当样本的问题.建立了兼顾发电商利益和需求侧负荷特性的数学模型,研究了有效的求解方法,对上网电量的决策进行优化,实例应用结果反映了该模型的有效性和实用性.     

基于免疫蛙跳算法的小波神经网络的水稻需水量预测

为了避免传统小波神经网络采用基于负梯度方向的BP算法学习训练过程中存在收敛速度慢、易陷入局部最小的缺点,采用改进的免疫蛙跳算法对传统的小波神经网络中各个参数进行优化,提高小波神经网络模型的收敛速度和预测精度,提出了基于改进免疫蛙跳算法优化小波神经网络的预测模型,将该模型应用于水稻需水量的预测中,研究结果表明：该耦合模型优于传统的小波神经网络,对水稻需水量有良好的预测性能。     

基于RBF神经网络的降雨量预测

文章论述了鉴于降雨量受众多因素的影响和具有复杂的非线性特点,在Matlab环境下建立了RBF神经网络的降雨预测模型.经实例验证,该模型收敛速度快、预测精度高。并且与BP神经网络模型对比结果表明,该方法避免了BP神经网络的局部极小及收敛速度慢等缺点,在精度,训练速度等方面优于BP神经网络。