怀洪新河新胡洼闸BP神经网络洪水预报模型

本模型基于BP神经网络仿真学原理,结合水文学理论研制.模型输入为:何巷闸下水位、区间流入量(包括何巷闸流入量和四方湖闸流入量)、新胡洼闸过去时段的出流量和闸上水位,输出即为预见期的新胡洼闸上水位.采用Sigmoid激活函数输出限幅改进算法,分别建立了胡洼闸上8h、16h、24h三种滞时BP神经网络洪水预报模型.经检验分析,三种滞时BP 神经网络洪水预报模型预报精度均达到洪水预报规范中甲级精度要求.     

小波神经网络模型在河道流量水位预测中的应用

鉴于BP神经网络学习收敛速度慢、参数选择困难、易陷入局部极值等缺点,提出小波神经网络河道流量水位预测模型,以盘龙河天保站流量水位预测为例进行分析。采用循环算法确定最佳BP神经网络结构,并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,构建传统BP、GA-BP神经网络河道流量水位预测模型作为对比预测模型。结果表明:小波神经网络结合了神经网络与小波分解在函数逼近上的优点,其预测精度高于传统BP和GA-BP网络模型,表明小波神经网络用于河道流量水位预测是合理可行和有效的,可为水文预测预报提供新的途径和方法。且小波神经网络模型具有计算简便、逼近能力强、收敛速度快,能有效避免局部极值等特点,有着广阔的应用前景。     

天然河道水位流量预测模型分析

本文提出BP神经网络河道流量水位预测模型,以榆树沟站流量水位预测为例进行分析。采用循环算法确定最佳BP神经网络结构,并在相同网络结构及期望误差等条件下,构建BP神经网络河道流量水位预测模型。结果表明:BP神经网络用于河道流量水位预测是合理可行和有效的,预测准确度可达到92.3%,可为水文预测预报提供新的途径和方法。且BP神经网络模型具有计算简便逼近能力强收敛速度快,能有效避免局部极值等特点,有着广阔的应用前景。     

基于GRA-NARX神经网络的泵站站前水位预测模型

针对多种水工建筑物相互作用和影响下的泵站水位预测难题,提出基于GRA-NARX（grey relation analysis-nonlinear autoregressive model with exogenous inputs）神经网络的泵站站前水位预测模型。该模型包括灰色关联分析(GRA)和NARX神经网络两部分,利用3种训练算法和不同时间延迟分别对密云水库调蓄工程屯佃泵站站前水位进行2 h预测,并与NARX模型和GRA-BP(grey relation analysis-back propagation)模型的预测结果进行比较。研究结果表明,GRA-NARX-BR(grey relation analysis-nonlinear autoregressive model with exogenous inputs-bayesian regularization)模型用于水位预测能够比较全面地考虑影响因子,预测精度高,相关系数最高达0.986 62,均方根误差最小为0.008 6 m,预测效果比NARX模型和GRA-BP模型好,且时间延迟越长,均方根误差越小。模型也可在其他调水工程中推广使用。     

几种神经网络模型在湖库富营养化程度评价中的应用

基于我国湖库富营养化评价标准和RBF、GRNN、BP、Elman神经网络算法原理,分别构建RBF等4种神经网络湖库富营养化等级评价模型,采用内插法构造网络训练样本,把我国湖库富营养化评价等级临界值作为评价样本进行“预测”,将“预测”结果作为湖库富营养化程度评价等级的划分依据,对全国24个主要湖库富营养化程度进行评价。结果表明：RBF、GRNN、BP、Elman神经网络模型对全国24个主要湖库富营养化程度评价结果基本相同,表明研究建立的RBF等4种神经网络湖库富营养化程度评价模型和评价方法均是合理可行的,其评价精度高,可为湖库富营养化程度评价提供新的途径和方法。同BP和Elman网络算法相比,RBF与GRNN神经网络模型不仅对湖库富营养化程度评价结果完全相同,且模型具有收敛速度快、预测精度高、调整参数少(只有SPREAD参数),不易陷入局部极小值等优点,可以更快地预测评价网络,具有较大的计算优势。     

秦淮河流域东山站水位预报研究

为提高秦淮河流域东山站水位预报的精度,基于BP神经网络算法建立经验预报模型,分别根据降雨历时、起涨水位两种模式对水位涨幅进行预报。分析了两种模式预报结果,选出最优的预报模式,并用混合线性回归模型作为预报精度的参考验证。结果显示,BP神经网络模型的预报精度高于混合线性回归模型,而且BP神经网络模型两种预报模式的结果都达到了乙级标准以上,根据起涨水位的预报模式效果更好。     

基于 BP 神经网络的调水工程调蓄水位预测模型

在调水工程中,如果泵站站前水位过低,会危及泵站安全,如果水位过高,会危及周边安全,因此探寻调水工程中河渠湖库水位变化显得尤为重要。以南水北调东线山东段南四湖为研究区域,寻求不同起调水位、出入流量、泵站开启时间差的调水方案下泵前水位变化规律。先利用耦合模型对不同的调水方案进行数值模拟,然后选取23组调水方案及其数值模拟所得的泵前水位作为样本训练BP神经网络,建立BP神经网络调蓄水位预测模型并进行验证,最后利用预测模型对不同调水方案进行泵前水位预测。结果表明,BP神经网络预测模型具有很强的预测能力,预测模型结果与耦合模型结果泵前水位基本吻合,水深相对误差小于9.15%,而模型计算效率提升96.67%。     

NARX在土石坝渗流预测中的应用

渗流监测是掌握大坝安全性态的重要手段,针对土石坝渗流压力存在滞后于库水位的特点,引入具有延时输入特性的带外源输入的非线性自回归神经网络(Nonlinear Auto-regressive with Exogenous inputs neural network, NARX)实现土石坝渗压的有效预测。以某一水库大坝为例,将历史某时段的库水位和降雨等影响因子作为输入序列,渗压测值作为输出序列,分别建立NARX网络多因子和单因子模型进行拟合训练和多步预测,并将预测结果与传统回归模型和传统BP神经网络进行对比。研究结果表明,在RMSE、MAE、MAPE 3种精度指标下,NARX模型均优于2种传统模型。其中,在单因子条件下,NARX仍具有良好的表现。NARX的延迟输入特性可在一定程度上模拟坝体水流渗透的滞后性,对于土石坝的渗压预测具有良好的应用效果。     

基于BP神经网络的不同时间尺度泵站前池水位预测模型

针对建筑物调控下的水位预测难题,建立基于BP神经网络的泵站前池水位预测模型,在不同时间尺度下分析时间序列、影响因子、预报因子对水位预测精度的影响.将构建模型应用于胶东调水工程东宋泵站,研究结果表明:在数据总量一定的情况下,训练期和预测期之比为7:3时,预测结果较好;数据量越大,保持一定预报精度所需要的正相关的影响因子数...     

基于相关向量机的调水工程调蓄水位预测模型

调蓄水位与其影响因素之间存在着复杂的非线性关系,针对BP神经网络模型的局限性,选取泵站开启时间差、起调水位、入流量、出流量作为主要影响因素,建立一种基于相关向量机(relevance vector machine, RVM)的调水工程调蓄水位预测模型。通过实例应用表明在相同样本情况下与BP神经网络模型预测结果相比,RVM预测模型均方根误差和平均绝对误差均小于BP神经网络预测模型的预测结果,说明在调水工程调蓄水位的预测中,RVM预测模型具有精度高、离散性小等优点,为调水工程调蓄水位的预测提供了一条新途径。     

遗传小波神经网络在大坝变形预测中的应用

针对传统的数学统计模型无法完全描述大坝变形量与多种荷载因素之间非线性映射关系的缺点,引入了一种基于遗传算法的小波神经网络模型,利用该模型对小波神经网络的初始权值、尺度因子进行全局优化搜索,克服了BP神经网络初始化的随机性以及网络易陷入局部极小值的不足,将该模型运用于大坝坝顶的径向、切向位移预测,结果表明,遗传算法优化的小波神经网络模型结构稳定性更好,预测精度较BP神经网络模型、小波神经网络模型有较大提高。     

基于小波神经网络的GPS高程异常拟合模型探究

利用GPS进行高程测量具有很多优越性,高精度地确定高程异常对于用GPS高程测量部分代替普通几何水准测量具有重要意义。依据BP神经网络和小波神经网络的基本原理,利用实验数据证实了小波神经网络模型比BP神经网络模型和文献[6]模型在GPS高程异常拟合中具有更高的精度,说明小波神经网络在GPS高程异常拟合中具有较强的实用性。     

混流式水轮发电机组神经网络模型预测控制

 针对混流式水轮发电机组(FTGS)复杂的非线性特性,提出了包含混流式水轮机神经网络模型(FTNNM)的FTGS的神经网络模型预测控制(NNMPC)。利用神经网络辨识模型(NNIM)预测FTGS对控制信号的反应,并采用优化算法计算来优化未来FTGS性能的控制信号。仿真结果表明NNMPC对FTGS是一个有效的工具。     

小波包和模糊神经网络在离心泵故障振动信号处理中的应用

根据离心泵故障振动信号的特点,提出了利用小波包分解、重构技术进行消噪处理及频带能量特征提取,并以“能量”为元素,构造离心泵振动信号的特征向量,通过对神经网络和模糊系统的结合方式的研究,提出了一种基于小波包和模糊神经网络的离心泵轴系故障诊断方法,实验分析结果表明,该方法可以有效地对离心泵轴系振动信号进行诊断。     

基于人工神经网络的土石坝震损病害的预测研究

本文介绍了基于L-M(Levenberg-Marquardt)算法的BP神经网络模型,利用模型对土石坝进行损害预测.选取243座震损土石坝水库为研究对象,确定土石坝裂缝、渗漏、滑坡为本次预洲的指标.同时采集243座水库震损土石坝的裂缝、渗漏、滑坡等三大震损病害资料,通过专家意见划分其等级,作为实测值.经过神经网络模型反...     

用聚类算法及Hopfield神经网络布置环状管网

为了降低供水管网的工程投资,提出了一种环状给水管网优化设计的方法,把环状管网布置问题用K-Means算法分解成许多小规模的环状问题,对于每一个小规模的环状管网用Hopfiled连续型神经网络求解环状的最短距离,然后把各个基环当成一个点,再用Hopfield神经网络以较大的概率求出最优路径。对某小区58个供水点进行了供水管网实例计算,结果表明:该供水管网的质心间最短距离为2.893 7 km,能量函数为递减状态且最终的能量函数值为1.447,再连接相邻聚类中的最接近的两个点就形成供水管网的环状布置。     

基于 C4．5决策树算法的土质边坡稳定性评价研究

采用神经网络进行土质边坡稳定性评价时，差异性较大的训练样本往往会使评价结果不太理想。针对这一问题引入 C4．5决策树算法，采用多个土质边坡工程的实测数据，运用信息增益率进行分类属性的选择，并对建立好的树体结构进行剪枝操作，建立基于决策树的土质边坡稳定性评价模型。将该模型与 BP 神经网络和 LVQ （Learning Vector Quantization，学习向量量化）神经网络进行对比分析，结果显示决策树模型分类正确率最高，达到90％，模型所用时间为2．24 s，表明把决策树用于土质边坡稳定性评价是合理的。     

改进Elman网络及其在水轮发电机组故障诊断中的应用

针对水轮发电机组故障诊断系统，分析了改进BP网络在故障诊断中的不足，提出了利用改进Elman网络进行水轮发电机组故障诊断的方法。该方法具有精度高、收敛快、可以避免局部最小的优点，从而为水轮发电机组故障诊断提供了一种更有效的方法。     

基于SOFM和BP短期负荷预测方法

基于以自组织特征映射神经网络(Self-organizing feature map,SOFM)先聚类、神经网络再预测的模型以往多用在对疾病、天气方面的预测,由此提出了一种以SOFM与误差反向传播算法的神经网络(Back Propagation,BP)相组合应用为基本原理的短期电力负荷预测的组合模型。该模型主要基于SOFM网络的主要特性聚类,预先将训练样本集采取聚类分析,对其分为具有相似数据的若干子类,再根据每一子类构造一个BP网络模型。利用内蒙古自治区某市的实际日平均负荷数据进行仿真,证明了本文方法的有效性。     

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.