RBF神经网络模型在山西省需水预测中的应用

分析了山西省历年城镇生活、农村生活、工业和农业用水量,建立了RBF神经网络需水预测模型,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。预测结果表明:山西省1998-2000年总需水量预测的相对误差为2.74%、3.33%和1.41%;1999年工业需水预测相对误差最大,也仅为13.35%。RBF神经网络需水预测模型不仅运算速度快,而且预测精度也较高。     

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。     

山西大同市RBF神经网络需水预测

结合生活、工业、农业用水量的特点,分析用水量的影响因素,建立径向基函数(RBF)神经网络需水预测模型,采用最近邻聚类学习算法确定RBF网络的宽度、选取聚类中心和权值.以大同市为例,采用RBF神经网络需水预测模型预测大同市在3个年份的需水量,输入层有13个节点.为影响需水预测的13个因子,输出层为城镇生活需水、农村生活需水、工业需水和农业需水4个节点.网络经过学习得到隐含层的节点数为8,3个预测年份的需水总量的相对误差分别为-6.12%、3.05%和5.57%.预测结果表明RBF神经网络具有输出不依赖初始权值,收敛速度快的特点,需水预测模型有较好的预测效果.     

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。     

基于RBF神经网络的工业取水量预测研究

介绍了径向基函数（RBF）神经网络的结构、原理和训练算法。以某市为研究对象,建立了RBF神经网络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、聚类中心和权值。结果表明：RBF模型具有较强的非线性处理能力和逼近能力,且结构简洁、学习速度快、预测精度高,泛化能力强,克服了BP神经网络学习过程收敛过分依赖于初值和可能出现局部收敛的缺陷。     

基于归一化RBF网络的黄河上游径流预测

根据1976～1994年黄河兰州水文站的径流量数据,得到了年径流量增长的时间序列,在利用RBF神经网络进行仿真后,用1995～1996年的增长量进行了检验,并与BP神经网络的预测结果进行了对比.结果表明,应用RBF神经网络对年径流量进行预测,预测精度更高、效果更好.     

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RBF神经网络的河川年径流量预测

文章以新疆开都河年径流量为研究对象,选用能够模拟输入与输出层非线性关系的径向基函数(radial basis function,RBF)神经网络,构建了河流年径流量预测模型。研究结果表明:通过自相关系数法,选用河流自身前1~5 a径流量作为输入层,当前年径流量作为输出层,利用Matlab软件建立RBF神经网络模型,预测开都河2008—2012年径流量,预测值最小相对误差为3.22%,最大相对误差为7.61%,平均相对误差为5.19%,相关系数为0.863;通过对预测样本实测值与模拟值进行经典统计学分析,2组数据间无显著性差异。这说明RBF人工神经网络模型用于模拟预测河川年径流量是可行的。     

基于径向基函数神经网络降雨产流预测研究

从径向基函数神经网络原理分析出发,探讨用于降雨产流预测的神经网络模型,并将此模型应用于泜河上.预测和检验结果表明,基于径向基函数神经网络预测模型可以很好地反映流域降雨产流问题.     

基于RBF神经网络的城市需水量预测——以济南市为例

以济南市需水量为研究对象,运用径向基函数（RBF）神经网络建立预测模型,用1996—2008年13年济南市需水量数据,分析影响需水量的因素,确定多个关键因子,以Matlab为平台实现网络的训练,然后对2009年--2011年3年需水量进行预测检验。结果表明：预测相对误差较小,预测结果和实际情况吻合较好,可以对济南市未来规划年的需水量进行预测。在研究结果基础上,结合本文成果与出现的问题,对需水量预测方法等方面进行了探讨与展望,为以后需水预测研究提供一定的参考依据。     

基于RBF神经网络的距离保护

提出了一种利用径向基函数网络(RBFN)来实现神经网络式距离保护的方法,并应用于电力系统的距离保护,以故障类型判断子网络为例对网络进行训练和检验。结果表明,RBFN神经网络式距离保护具有很好的模式识别能力,而且训练时间大大减少,满足继电保护的要求。     

基于RBF人工神经网络模型预测棉花耗水量

利用MATLAB工具箱,以平均气温、日照时数、平均风速为输入变量,建立了新疆石河子地区棉花耗水量的RBF人工神经网络预测系统,通过2008年实测数据的检验表明,此预测系统网络模型的绝对误差最大为0.096 7 mm/d、最小为0.002 5 mm/d、平均为0.041 9 mm/d,相对误差最大为2.649 1%、最小为0.034 1%、平均为0.878 0%。可见,网络模型预测的准确度较高,较以往的线性模型更合理,并且此网络训练花费的时间仅需0.0780 s,具有一定的实用价值。     

基于RBF神经网络的长距离引水隧洞涌水量预测

长距离输水隧洞的突涌水问题对隧洞施工安全、施工效率以及隧洞建成后的运营质量会产生严重影响,因而为保证隧洞安全、高效的施工,对隧洞涌水量进行准确预测是十分有必要的.本文以新疆某大型水利工程长距离引水隧洞为研究对象,选取地质构造、渗透率、上覆含水体富水性和水头高度作为评价因子,基于RBF神经网络的基本原理提出了引水隧洞涌水量预测模型,实现对引水隧洞涌水量的精准预测.该预测模型的水量识别准确率较高,可有效防止隧洞内突涌水灾害的发生,为施工单位提前处置隧洞突涌水提供指导.     

RBF神经网络模型在金沟河流域径流预测中的应用

河川径流时间序列是一个复杂的非线性系统,使传统的预测方法难以描述其变化规律。将金沟河流域八家户站的1957年至2003年的年径流实测数据作为样本,转化为径流差后,进行归一化处理及自相关函数分析,在MATLAB环境下建立径向基神经网络径流预测模型。结果表明:与传统的BP神经网络预测比较,利用径向基神经网络模型对径流序列进行预测具有更高的精度和更短的运算时间,是径流预测的一种有效方法。     

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。     

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RBF神经网络的闸门综合自动化系统失效参数处理

研究了闸门综合自动化系统中状态信息的容错方法，讨论了闸门综合自动化系统中参数失效的判断方法，提出了引入径向基函数（RBF）人工神经网络处理闸门综合自动化系统中参数失效的方法，并介绍了RBF神经网络的结构。实际运行结果验证了所提出的方法的有效性和可行性。     

基于BP神经网络和RBF神经网络的砂土基础液化判别

结合河北唐山地区土样样本,以地下水位埋深(hw)、地下水头(h)、标准贯入锤击数(N63.5)、土的动强度(R)及地震力(L)为评价指标建立了BP神经网络和RBF神经网络的预测模型。通过实例结果比较分析,表明RBF神经网络和BP神经网络判断砂土液化的精度都较高,但对于用埋深hs,地下水位深度h,标准贯入锤击数N63.5,土的动强度R和地震力L作为参数指标时,RBF神经网络在砂土液化的判别方面优于BP神经网络。通过对金坛石桥枢纽进行建模预测,进一步证明了以上结论,并说明了BP神经网络和RBF神经网络对于砂土基础液化的预测是普遍适用的。     

基于小波分解的径向基神经网络径流预测研究

噶尔河流域位于新疆塔里木盆地西南缘,流域严重缺水,直接影响到流域的农牧业生产,因此需要对其径流量做出相对准确的预测。选用喀什噶尔河流域1956年—2000年实测年径流量,运用小波分解方法揭示径流的趋势性和周期性,并利用周期性结果为径流预测提供数据输入依据,建立径向基神经网络预测模型,与传统径向基神经网络预测模型相比,精度更高,能够更加准确的预测喀什噶尔河流域年径流量。更多还原