WPA-BP神经网络模型在枯水期月径流预测中的应用

通过8个高维复杂函数对一种新型仿生群体智能算法——狼群算法(WPA)进行仿真验证,并与粒子群优化(PSO)算法进行对比。针对BP神经网络易陷入局部极值及初始权阈值参数难以确定的不足,利用WPA算法优化BP神经网络初始参数,提出WPA-BP径流预测模型,以云南省龙潭站枯水期月径流预测为例进行实例验证,并与PSO-BP及BP模型进行比较。结果表明:1WPA算法收敛精度远远优于PSO算法,具有较好的计算鲁棒性和全局寻优能力;2WPA-BP模型预测精度优于PSO-BP及BP模型,具有较好的预测精度和泛化能力。利用WPA算法优化BP神经网络的初始权值和阈值,可有效提高BP神经网络的预测精度和泛化能力。     

PSO-BP神经网络在多输出水利定额编制中的应用

针对运用BP神经网络模型来编制水利定额存在收敛慢、精度低、稳定性差的缺陷,提出利用粒子群算法(PSO)来优化BP神经网络初始权值阈值的模型,优化模型结合了粒子群全局搜索能力和BP网络的局部探优能力。在运用MATLAB对算法模型进行编程中,首先确定模型的关键参数和开展数据的预处理,其次利用标准粒子群算法优化BP神经网络的初始连接权值阈值,最后将优化的连接值带入BP模型训练并预测,实验中连续运行了50次模型。结果表明:BP模型的双输出预测精度分别为11.13%和8.41%,有10次未达到目标精度;PSO-BP模型的双输出预测精度分别为5.65%和5.44%,全部达到目标精度。因而得出结论,PSO-BP模型比单纯BP神经网络的预测精度和稳定性更好,更适合用来指导水利定额的编制工作。     

SSO-BP模型在水资源可再生能力评价中的应用

为评价区域水资源可再生能力,提出了水资源可再生能力评价指标体系和分级标准,构建了基于BP神经网络的评价模型,并以云南省文山州水资源可再生能力评价为例进行实例研究。首先,遴选出单位面积水资源量等10个指标,构建水资源可再生能力评价指标体系和分级标准;其次,针对BP神经网络初始权值和阈值难以确定的不足,利用一种全新的仿生群体智能算法--群居蜘蛛优化（SSO）算法优化BP神经网络初始参数,提出了SSO-BP评价模型,并通过6个高维复杂函数对SSO算法进行验证,且与粒子群优化（PSO）算法进行对比;最后,利用SSO-BP模型对实例进行水资源可再生能力评价。结果表明：① SSO算法具有较好的收敛精度和全局寻优能力,可有效提高BP神经网络模型的预测精度和泛化能力。② 文山州各评价区域2014年水资源可再生能力处于最强与中等之间,符合区域现状。     

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.     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

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。     

动态自适应粒子群优化算法与最小二乘支持向量机在年径流预测中的应用

针对最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数以及基本粒子群优化算法(PSO)存在早熟收敛等弊端,通过对PSO惯性因子、加速因子以及粒子飞行速度进行动态调整,以及借鉴遗传算法变异思想引入自适应变异算子,对PSO算法进行改进,提出动态自适应粒子群优化算法(DAPSO),利用DAPSO算法优化选择LSSVM惩罚因子和核函数参数,构建DAPSO-LSSVM年径流预测模型,并与PSO算法优化选择LSSVM学习参数的PSO-LSSVM模型以及GA-BP、RBF、BP模型作为对比,以云南省某水文站年径流预测为例进行实例研究,利用实例前30年和后17年资料分别对各模型进行训练和预测。结果表明DAPSO-LSSVM模型对实例后17年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.31%、5.95%,预测精度优于PSO-LSSVM模型,大幅优于GA-BP、RBF和BP模型。DAPSO算法全局寻优能力强、收敛速度快,稳健性能好,利用DAPSO算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。     

基于ALO-ENN算法的洪灾评估模型及应用

针对洪灾评估缺乏评判标准及Elman神经网络(ENN)初始权值、阈值难以确定的不足,利用洪灾各影响因子序列均值及标准差构建洪灾评估标准,并基于该标准采用随机内插和随机选取的方法构造样本对ENN网络进行训练及检验。利用蚁狮优化(ALO)算法对ENN网络权值、阈值进行全局寻优,提出基于ALO-ENN算法的洪灾评估模型,并构建PSO-ENN、ENN评估模型作对比,以我国1950—2013年洪灾评估为例进行实例研究。结果表明:1ALO算法寻优能力优于PSO算法,具有较好的收敛精度、稳健性能和全局寻优能力,利用ALO算法寻优ENN网络初始权值和阈值,可有效提高ENN模型的评估精度及泛化能力;2ALO-ENN模型对全国64年的洪灾评估结果为特大洪灾10次,重大洪灾4次,较大洪灾25次,洪灾12次和一般洪灾13次,洪灾随时间呈增加趋势,且增加趋势显著。     

基于粒子群神经网络的凌汛开河日期预测研究

为了更准确地预测凌汛开河日期,提出用粒子群算法和BP神经网络相结合的粒子群神经网络模型。介绍了模型的设计和算法实现的流程。该模型通过粒子群算法对BP神经网络初始的权值和阈值进行优化,并以黄河内蒙段三湖河口站作为研究实例进行冰凌开河日期预测。结果表明,经粒子群优化后的BP神经网络预测精度比遗传神经网络和单一BP神经网络更高。     

基于RDPSO结构优化的三隐层BP神经网络水质预测模型及应用

提出基于随机漂移粒子群(RDPSO)算法结构优化的三隐层BP神经网络水质预测方法,利用RDPSO算法优化三隐层BP神经网络隐层节点数,构建三隐层RDPSO-BP水质预测模型,并与基于单隐层、双隐层节点优化的RDPSO-BP神经网络、基于网络权值阈值优化的RDPSO-BP神经网络预测模型作对比,以云南省五里冲水库总氮预测为例进行实例研究,利用实例60个月的总氮监测资料对此4种模型进行训练和预测。结果显示,三隐层RDPSO-BP神经网络模型对总氮预测的平均相对误差绝对值为6.98%,预测精度远高于其他3种模型,具有较好的预测精度和泛化能力。模型及方法可为相关水质预测研究提供参考。     

仿生算法优化BP神经网络在降雨空间插值中的应用

人工神经网络能够充分挖掘已知样本中的规律,从而对未观测数据进行预测,可应用于降雨量空间插值计算中。在BP神经网络进行降雨空间插值的基础上,引入遗传、粒子群和蚁群3种仿生算法对BP神经网络初始权值和阈值进行优化,将优化后的BP神经网络应用于三峡区间流域年、月和日3个时间尺度的降雨空间插值中。结果表明:仿生算法对BP神经网络初始权值和阈值优化求解后,降低了BP神经网络陷入局部最小以及过拟合的风险,在插值过程中表现出较好的稳定性,取得了理想的插值结果。     

自适应遗传算法优化管网状态估计神经网络模型

针对遗传算法收敛速度慢、传统BP算法易收敛于局部最优以及网络结构难以确定等问题，引进自适应遗传算法优化网络的权阈值以搜寻网络最优拓扑结构，并利用自适应遗传算法优化该网络的权阈值，建立基于改进BP网络的宏观管网状态模型．实例分析表明，改进模型具有较高的预测精度。     

群居蜘蛛优化算法在水位流量关系拟合中的应用

针对水位流量关系拟合中相关参数难以确定的不足,利用一种新型群体智能仿生算法——群居蜘蛛优化算法(SSO)优化水位流量关系的相关参数,以云南省丽江仁里站和总管田站水位流量关系拟合为例进行实例研究,并与粒子群优化算法(PSO)、最小二乘法(LSM)拟合结果进行对比。结果表明:SSO算法对仁里站和总管田站水位流量关系拟合的平均相对误差绝对值分别为0.57%、0.53%,拟合精度优于PSO、LSM算法。SSO算法具有收敛速度快、全局寻优能力强等特点,利用SSO算法优化水位流量关系可以获得更好的拟合效果。     

改进引力搜索算法与支持向量机在枯水期月径流预测中的应用

针对标准引力搜索算法(GSA)易出现早熟收敛问题以及支持向量机(SVM)学习参数难以确定的不足,提出一种基于加速度和速度改进的引力搜索算法(IGSA),利用IGSA算法搜寻SVM最佳学习参数,提出IGSA-SVM预测模型,并同标准GSA算法、粒子群优化(PSO)算法以及GSA-SVM、PSO-SVM模型作对比,以云南省某水文站枯水期1—3月月径流预测为例进行实例研究,利用实例前43 a和后10 a资料对模型进行训练和预测。结果表明:IGSA算法收敛精度优于标准GSA算法及PSO算法,有效克服了GSA算法早熟收敛问题,具有较好的全局搜索能力、预测精度和泛化能力。     

免疫粒子群算法与支持向量机在枯水期月径流预测中的应用

针对支持向量机(SVM)最佳算法参数难以确定以及基本粒子群算法(PSO)易陷入局部极值等不足,提出免疫粒子群算法(IAPSO),利用IAPSO算法搜寻SVM学习参数,构建IAPSO-SVM预测模型,并与PSO-SVM、GA-SVM模型作为对比,以云南省某水文站枯水期月径流预测为例进行实例研究,利用实例前43年和后10年资料对模型进行训练和预测。结果表明:IAPSO-SVM模型对实例后10年枯水期1-3月月均径流预测的平均相对误差绝对值分别为3.32%、6.52%和6.55%,精度优于PSO-SVM和GA-SVM模型,表明IAPSO-SVM模型具有较高的预测精度和泛化能力。IAPSO算法利用浓度选择机制及免疫接种原理,改进了基本粒子群优化算法的全局寻优能力和收敛速度,具有较强的全局寻优能力。利用IAPSO算法优化得到的SVM学习参数可有效提高SVM模型的预测精度和泛化能力。     

混合遗传神经网络算法研究及其在径流预报中的应用

 根据流域径流预报的特点,针对神经网络原有固定结构学习方法的缺陷,通过对人工神经网络、遗传算法进行组合利用和加以改进,建立了混合遗传神经网络模型,并对其神经网络的结构和权值阈值同时进行了优化。然后以某灌区径流预报为例,分别利用BP(back propagation)算法、本文方法进行仿真试验,验证方案的可行性和有效性,结果表明本文算法既克服了神经网络结构选取的盲目性,给出了优秀的初始权值,又克服了遗传算法耗时的缺点,最终达到了提高网络收敛性能和收敛速度的目的。     

基于改进ABC-BP的大坝变形监控模型研究

针对传统大坝变形监控模型的不足,在对人工蜂群(ABC)算法给予改进的基础上,开展了基于人工蜂群(ABC)与BP神经网络的大坝变形监控模型建模原理、实现方法以及工程算例分析研究。通过引进自适应比例和平均欧式距离,克服了标准人工蜂群算法易陷入局部最优的缺点;进而利用改进后的人工蜂群算法,对BP神经网络的初始权值与阈值进行寻优。算例分析表明,将改进后的人工蜂群算法与BP神经网络技术相结合,并用于大坝变形监控模型的构建,有效提升了模型的拟合和预报能力。     

MEA-BP预测模型在水布垭面板堆石坝沉降变形预测中的应用

由于单一的BP神经网络预测模型存在一些缺陷,对于复杂的非线性问题,BP神经网络预测模型的拟合能力具有局限性,容易陷入局部极小值,网络权值和阈值的选择具有随机性。运用具有全局寻优能力的思维进化算法(MEA)对BP神经网络的初始权值和阈值进行优化,建立MEA-BP预测模型。将单一的BP神经网络预测模型、基于遗传算法(GA)优化的BP神经网络预测模型与MEA-BP预测模型应用到实际工程中进行对比,预测结果表明MEA-BP预测模型在水布垭面板堆石坝沉降变形预测中的预测精度最高,效果最好,具有一定的实际应用价值。     

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.     

基于SOA-SVM和SOA-BP模型的溶解氧预测

为提高溶解氧预测精度,研究提出海鸥优化算法(SOA)与支持向量机(SVM)、BP神经网络相融合的预测方法。基于云南省西双版纳州国家重要供水水源地景洪电站2009年1月至2020年9月的逐月溶解氧监测数据构建4种预测方案,利用SOA优化SVM关键参数、BP神经网络权阈值分别构建SOA-SVM、SOA-BP模型对景洪电站溶解氧进行预测,预测结果与SVM、BP模型作对比。结果表明:SOA-SVM、SOA-BP模型对4种方案溶解氧预测的平均相对误差绝对值分别在4.07%～4.98%、3.85%～4.83%之间,平均绝对误差绝对值分别在0.309～0.374、0.294～0.371 mg/L之间,预测精度优于SVM、BP模型,具有较好的预测精度和泛化能力。SOA能有效优化SVM关键参数和BP神经网络权阈值;SOA-SVM、SOA-BP模型用于溶解氧预测是可行的;模型及优化方法可为相关预测研究提供参考。