花授粉算法-BP神经网络模型及其在月径流预报中的应用

通过5个典型高维函数对一种新型群智能优化算法——花授粉算法(FPA)进行仿真验证,并与粒子群优化(PSO)算法进行对比分析。针对BP神经网络初始权值、阈值参数难以确定的不足,利用FPA算法优化BP神经网络初始权值和阈值,提出FPA-BP预报模型,以清水江水文站12月月平均流量预报为例进行实例研究。结果表明:1FPA算法收敛精度优于PSO算法,具有较好的收敛速度和全局寻优能力;2FPA-BP模型对实例2001—2005年月平均流量预报的平均相对误差绝对值为2.38%(5次平均),预报精度优于PSO-BP、BP模型。利用FPA算法优化BP神经网络的初始权值和阈值,有效提高了BP神经网络的预报精度和泛化能力,且拓展了BP神经网络初始权值、阈值的优化方法,为相关预报研究提供了参考。     

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PSO-BP模型的黄河兰州站含沙量预测

为了提高BP模型对含沙量预报的精度,采用PSO算法优化了BP神经网络的权值和阈值参数,并用黄河兰州站的含沙量资料进行了验证。结果表明:该方法能克服传统BP模型易陷入局部收敛的缺点,提出的PSO-BP模型能够提高含沙量预测的准确度。     

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。     

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。     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

交通荷载下煤矸石路基填料累积变形PSO-BP神经网络预测模型

基于煤矸石路基填料大型动三轴试验结果,采用灰色关联分析法分析累积变形影响因子,确定了围压、压实度、级配参数、循环荷载振动次数4个特征参数。引入PSO算法对BP神经网络的权重、阈值进行全局寻优并赋值,提出了一种煤矸石路基填料累积变形PSO-BP神经网络预测模型。与传统BP神经网络模型对比结果验证了该预测模型的可行性和优越性,并通过不同学习程度下模型的预测效果分析了模型的泛化能力,证明了模型的预测潜力。     

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。     

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.     

基于混合核SHTS-SVM的年径流预测

为提高年径流预测精度,利用同热传递搜索(SHTS)算法对混合核支持向量机(SVM)关键参数和混合权重系数进行优化,提出混合核SHTS-SVM年径流预测模型。通过6个不同维度的标准测试函数对SHTS算法进行仿真验证,并与当前寻优效果较好的教学优化(TLBO)算法、灰狼优化(GWO)算法进行对比验证。利用两个年径流预测算例对混合核SHTS-SVM模型进行实例验证,并与多项式核SHTS-SVM、高斯核SHTS-SVM及SHTS-BP模型预测结果进行对比。结果表明:SHTS算法寻优精度优于TLBO、GWO优化算法,具有较好的极值寻优能力和稳健性能。混合核SHTS-SVM模型综合了多项式全局核函数和高斯局部核函数二者优点,在预测精度、泛化能力等方面均优于对比模型,具有较好的实际应用价值。     

随机神经网络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的不足,利用典型随机神经网络RNN—Boltzmann机能量全局最小状态对应待优化目标全局极小值原理,提出Boltzmann-SVM预测模型,利用Boltzmann机搜寻SVM学习参数,并与基于GA算法搜寻SVM学习参数的GA-SVM预测模型作对比,以云南省河边水文站枯水期1月径流预测为例进行实例研究,利用实例前40年和后6年资料对模型进行训练和预测。结果表明:Boltzmann-SVM模型对实例后6年枯水期1月月均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7.30%、9.01%,精度优于GA-SVM模型,表明Boltzmann-SVM模型具有较好的预测精度和泛化能力。Boltzmann机融合了模拟退火算法(SA)与BP、Hopfield神经网络在网络结构、学习算法和动态运行机制中的优点,在解决组合优化问题上具有全局寻优能力强、收敛速度快等特点。     

基于GA-Elman神经网络模型的年径流预测

针对传统神经网络模型静态性及训练算法易陷入局部极值的缺陷,为了实现神经网络训练全局寻优,提高模拟精度,并使网络结构能动态反映年径流系列的时变特性,本文以年降雨及气温作为输入因子、年径流量为模型预测对象,结合遗传算法和Elman神经网络各自的优点,采用遗传算法对网络权值阈值全局优化,通过二者的耦合构建了GA-Elman年径流预测模型。利用构皮滩站1961—2015年的径流系列对模型进行了训练及测试,并对各模型预测性能比较分析。结果表明:GA-Elman模型预测平均相对误差5.29%、均方根误差55.81 mm,效果良好,对于径流预测具有实用价值;神经网络模型预测精度优于基于线性方法的模型,预测平均相对误差从12.01%降至7.07%以下;采用遗传算法改进神经网络权值阈值优化过程,预测平均相对误差从7.07%降低到5.29%,可明显提高模型泛化能力,从而改善径流预测效果。     

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。     

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。     

果蝇优化算法与支持向量机在年径流预测中的应用

针对支持向量机(SVM)学习参数难以确定的不足,利用果蝇优化算法(FOA)搜寻SVM学习参数——惩罚因子和核函数参数,提出FOA-SVM预测模型,并构建基于粒子群优化(PSO)算法、遗传优化(GA)算法搜寻SVM学习参数的PSO-SVM和GA-SVM模型作为对比,以云南省董湖站年径流预测进行实例研究。结果表明,FOASVM模型预测精度优于PSO-SVM和GA-SVM模型,具有较高的预测精度和泛化能力。     

基于PCA-SHO-SVM和PCA-SHO-BP模型的径流预测

为提高径流预测精度,研究主成分分析(PCA)、斑鬣狗优化(SHO)算法与支持向量机(SVM)、BP神经网络相融合的预测方法.在样本数据筛选上选取PCA方法进行数据降维,使数据样本简洁且更具代表性.利用SHO算法优化SVM关键参数及BP神经网络权阈值,分别提出PCA-SHO-SVM、PCA-SHO-BP径流量预测模型,并...     

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。     

改进RBF-Adaboost模型及其在年径流预测中的应用

为提高径向基神经网络(RBF)在年径流预测中精度,提出基于Adaboost算法及线性递减算法改进的RBF-Adaboost预测模型,以云南省姑老河站年径流预测为例进行实例研究,并构建RBF、GA-BP及BP模型作为对比模型.利用实例前34年和后20年资料对所构建的模型进行训练和预测.结果表明:改进RBF-Adaboost模型对实例后20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4.83％、9.51％,预测精度优于RBF、GA-BP及BP模型.RBF-Adaboost模型集成了多个基于扩展系数及期望误差线性递减改进的RBF神经网络弱预测器,有效提高了RBF神经网络模型在年径流预测中的精度,模型具有预测精度高、泛化能力强等优点.     

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。