流域年径流时序分析的混沌网络模型研究

以混沌理论为基础,对三峡寸滩站月平均径流量时序曲线进行了相空间重构,确定了合理的饱和关联维数.与神经网络结合,用多维相空间建立了网络学习样本和教师值,构造了混沌神经网络分析模型.结果表明:流域年径流序列具有混沌性特征;混沌网络模型预测精度要高于标准BP网络模型,预测结果的绝对误差和相对误差均小于BP网络模型.     

日含沙量时间序列的混沌识别与预测研究

运用关联指数饱和法和改进的最大Lyapunov指数方法对流域产沙系统进行了混沌识别,结果表明日含量序列具有混沌特性.并以重构相空间的饱和嵌入维数作为神经网络输入层节点数,将混沌理论和神经网络二者有机结合,建立了混沌神经网络模型.将该模型用于黄河上游头道拐水文站汛期日含沙量预测,结果表明,该模型应用在汛期日含沙量预测中具有较高的精度.     

长江日流量时间序列混沌特性研究——相空间嵌入维数和嵌入滞时的联合确定

混沌理论在径流时间序列中的应用是在重构相空间下进行的。重构相空间的嵌入滞时与嵌入维数是混沌性质识别和非线性预测的基础。在重构相空间时,确定其嵌入滞时和嵌入维数有两种观点:一种认为两者是互不相关的,另一种是认为两者是相关的。采用关联积分法,该法联合考虑了嵌入滞时和嵌入维数,可同时计算出嵌入滞时和嵌入窗口,避免了确定嵌入窗口的主观性。以长江宜昌站1940～1980年日流量观测序列为例,得到日流量序列的嵌入滞时和嵌入维数分别为30 d和13。     

月径流序列混沌特性识别及预测

以混沌理论和相空间重构原理为基础,分析计算大峪水文站1955-2006年月径流序列的最佳延迟时间和嵌入维数;运用最大Lyapunov指数λ10证实大峪月径流序列具有混沌特性,从而建立了基于混沌特性的BP神经网络预测模型。仿真及预测结果表明:该模型预测精度较高,可用于大峪月径流预测。     

LS-SVM和RBF神经网络模型在降雨预测中的应用

采用相空间重构理论计算实测月降雨的延迟时间、嵌入维数、C-P饱和关联维数和Laypunov指数,证明乌尔逊河流域月降雨时间序列存在混沌现象.使用LS-SVM预测模型和RBF神经网络预测模型,两种模型对乌尔逊河流域月降雨时间序列进行对比分析.在预测精度上,LS-SVM测模型的预测精度不太理想,而RBF神经网络预测模型在降雨量很少的月份精度也很低.若想在干旱区半干旱区的降雨预测中应用,需要进一步研究.     

基于GRNN神经网络的参考作物腾发量预测

参考作物腾发量是估算作物蒸发蒸腾量的关键参数,它的准确预测对提高作物需水预报精度具有十分重要的意义。由于参考作物腾发量与各气象因子呈非线性关系,将GRNN神经网络引用于参考作物腾发量预测中,并以铁岭市为例,对比分析了GRNN模型与BP模型的预测结果。分析表明：GRNN模型不仅训练速度快,还具有比BP模型更高的预测精度、逼近性和稳定性。     

LS—SVM和RBF神经网络模型在降雨预测中的应用

采用相空间重构理论计算实测月降雨的延迟时间、嵌入维数、G—P饱和关联维数和Laypunov指数,证明乌尔逊河流域月降雨时间序列存在混沌现象。使用LS—SVM预测模型和RBF神经网络预测模型,两种模型对乌尔逊河流域月降雨时间序列进行对比分析。在预测精度上,LS—SVM测模型的预测精度不太理想,而RBF神经网络预测模型在降雨量很少的月份精度也很低。若想在干旱区半干旱区的降雨预测中应用,需要进一步研究。     

月径流序列的混沌特征识别及Volterra自适应预测法的应用

在混沌动力系统相空间重构的基础上,利用关联维数法和最大Lyapunov指数法,对月径流时间序列进行混沌特性识别。然后结合自适应技术的实时递推特性和Volterra级数的非线性表征能力,利用Volterra自适应滤波法可对径流时间序列进行预测。通过江桥站和丰满水库实际月径流序列的预测结果表明,月径流序列中存在着一定的混沌特征。应用Volterra自适应法可以有效地对水文时间序列进行预测,与加权一阶局域预测法相比,能够实现更高精度的多步预测。     

重庆藕塘滑坡地下水位时间序列混沌性判别与预测

在周期性库水位涨落和季节性强降雨等因素影响下,藕塘滑坡前缘地下水位时间序列呈现混沌特性。以藕塘滑坡前缘水文孔(MZK5)地下水位序列为研究对象,进行混沌分析;并利用饱和关联维数法和最大Lyapunov指数法,在水位序列相空间重构的基础上对混沌特性验证。为克服粒子群算法本身的不足和SVR模型参数选取困难的缺点,采用基于遗传选择策略的粒子群算法(GSSPSO)优化选取SVR模型的参数,再用预测性能较为精准的回归型支持向量机(SVR)模型对其进行预测。对MZK5水文孔地下水位进行了BP神经网络模型预测和优化后模型(GSSPSO-SVR)预测。结果表明:藕塘滑坡前缘地下水位序列具有混沌特征,GSSPSOSVR模型预测结果的均方根误差为0.036 m,拟合优度为0.803,说明GSSPSO-SVR模型预测效果较理想,且预测精度高于BP网络模型,具有较强的实用性。     

宜昌站月径流时间序列的混沌特性分析

关于水文时间序列的混沌特性识别,目前已有多种方法和指标,但单独一种方法一般不能作为混沌特性识别的充分条件。根据相空间重构和混沌理论,对宜昌站1900～2007年的月径流序列进行了较全面的混沌特性分析。首先采用C-C法计算重构参数对月径流序列进行相空间重构,然后分别计算其关联维数、Lyapunov指数和Kolmogorov熵,用这3个不同的混沌判别指标并行分析宜昌站月径流序列是否具有混沌特征。经计算,宜昌站月径流序列各个混沌判别指标均表明其具备混沌特征。     

基于气象预报的参考作物蒸发蒸腾量的神经网络预测模型

参考作物蒸发蒸腾量(ET0)是进行实时灌溉预报和农田水分管理的主要参数，BP神经网络能够较好地反映ET0与诸影响因素间复杂的非线性关系。本文将ET0看作时间序列，选取前3日ET0作为影响因子，以天气预报可测因子包括最高、最低和日平均温度、反映天气类型的阴晴指数、日序数和风力等级进行修正，建立了三层BP神经网络模型。选取江苏射阳站2003与2004年气象资料，应用Matlab神经网络工具箱，采用trainer算法进行模型训练与预测。结果证明，所建模型能够很好地反映诸多影响因子与ET0之间的关系，具有较高的模拟精度和较好的泛化能力。     

相空间神经网络模型在大坝安全监控中的应用

本文将混沌理论和神经网络理论相结合，并针对某一混凝土重力坝水平位移实测值建立相空间模糊神经网络预报模型。首先对水平位移的实测序列，进行相空间重构，求算关联维，说明该序列存在混沌成分和奇异吸引子；应用自适应模糊神经网络，对水平位移实测序列构成的相点，建立相空间神经网络模型。计算结果表明，相空间神经网络模型用于大坝监控中是可行的，其预报精度优于常规的统计回归模型，能揭示大坝的非线性性质，能更好地对大坝运行性态进行分析。     

克鲁伦河月径流混沌时间序列的LS-SVM和RBF预测

采用相空间重构理论计算实测月径流的延迟时间、嵌入维数、G-P饱和关联维数和Laypunov指数,证明克鲁伦河月径流时间序列存在混沌现象。混沌时间序列的最小二乘支持向量机预测模型涉及参数较少,计算过程简便,训练速度快。RBF神经网络预测模型具有较快的训练速度和较强的非线性映射能力。同时,二者在建模中都引用了径向基函数,从而更加简化了非线性问题的求解。实例表明:将这两种模型应用在月径流时间序列预测上,其运算速度都很快,但在预测精度上,最小二乘支持向量机预测模型要优于径向基神经网络预测模型。     

新疆旱区草地参考作物腾发量随机模拟及其应用

本文根据新疆地区乌鲁木齐、吐鲁番、伊宁3个气象站40年逐日观测资料,应用FAO 1998 Penman-Monteith公式,计算乌鲁木齐站(1959~2000年)、吐鲁番站(1961~2000年)和伊宁站(1961~2000年)的历年逐日ET0。在此基础上,对各站多年平均ET0序列进行了随机模拟。结果表明:3个站ET0年内变化趋势大体一致,都具有很强的季节性,总体上吐鲁番站的ET0最高,伊宁站最低;年际变化呈现递减的趋势。通过预测值和Penman-Monteith法计算值对比,说明随机模型的预测结果良好,相对误差范围在实用范围之内,可为计算灌区作物需水量和优化灌溉制度提供一定的依据。     

汉江月径流量混沌特征分析

在介绍混沌运动的特点和相空间重构原理的基础上，探讨了混沌分析的主要定量指标嵌入维数和时间延迟的选取方法。以汉江干流站月径流量序列为例，根据计算的时间延迟，用G—P关联算法和改进的G—P关联算法分别计算关联维数，对两种方法判断月径流的混沌特性进行了分析，结果表明汉江干流安康站、白河站、丹江口站和皇庄站的月径流序列均为随机序列，改进的G—P关联算法能客观地确定出径流量是否为混沌序列。     

基于混沌理论的汉江上游安康站1950-2014年逐月降水量特征

通过对安康站1950-2014年逐月降水量的趋势进行分析,发现其降水存在周期变化.基于自相关函数法、C-C关联积分法来确定安康站降水的非线性系统的延迟时间、嵌入维数后,对降水序列进行了相空间重构,并利用G-P关联维法以及最大Lyapunov指数法进行混沌特征识别.结果显示:采用G-P关联维算法分析安康站1950-201...     

Monthly Streamflow Forecasting Using ELM-IPSO Based on Phase Space Reconstruction

We have developed a hybrid model that integrates chaos theory and an extreme learning machine with optimal parameters selected using an improved particle swarm optimization (ELM-IPSO) for monthly runoff analysis and prediction. Monthly streamflow data covering a period of 55 years from Daiying hydrological station in the Chaohe River basin in northern China were used for the study. The Lyapunov exponent, the correlation dimension method, and the nonlinear prediction method were used to characterize the streamflow data. With the time series of the reconstructed phase space matrix as input variables, an improved particle swarm optimization was used to improve the performance of the extreme learning machine. Finally, the optimal chaotic ensemble learning model for monthly streamflow prediction was obtained. The accuracy of the predictions of the streamflow series (linear correlation coefficient of about 0.89 and efficiency coefficient of about 0.78) indicate the validity of our approach for predicting streamflow dynamics. The developed method had a higher prediction accuracy compared with an auto-regression method, an artificial neural network, an extreme learning machine with genetic algorithm and with PSO algorithm, suggesting that ELM-IPSO is an efficient method for monthly streamflow prediction.

     

观测数据分析中几种方法的探讨(三)混沌时间序列的预测

介绍了混沌时间序列分析中根据单个时间序列重建相空间，用关联维方法和李雅普诺夫指数来辨识观测数据中存在混沌的可能性，以及全局和局部预测方法。这些概念与技术必将对大坝监测的非线性预测发挥重要影响。