基于迁移学习的长短时记忆神经网络水文模型

针对无/缺水文资料地区水文建模的难题,提出了基于迁移学习的长短时记忆神经网络（LSTM）水文模型。以嘉陵江、乌江和岷江流域为例,基于实测水文气象数据,采用K-最近邻算法与土壤和水评价模型（SWAT）模拟生成气象和径流数据,并构建实测和模拟样本集;然后构建不同的网络迁移微调策略和网络学习情景,分析迁移网络的可能性和性能。结果表明,固定网络的细胞层并微调网络其他层时,迁移学习的效果较好;同流域和跨流域进行网络迁移时,迁移后的网络更稳定且精度更高;跨流域迁移时,源流域和目标流域的相似度越高,迁移网络的难度更小,精度更高。该模型为无/缺水文资料地区构建水文模型提供了新的思路。     

自我调节蚁群-RBF神经网络模型在短期径流预测中的应用

为提高短期径流预测精度,提出了自适应调节人工蚁群算法(ARACS),对RBF神经网络参数进行优化,建立了自适应调节蚁群-RBF神经网络组合算法(ARACS-RBF)预测模型,综合考虑气象、天气、季节、降雨等影响因素,对上马水库进行径流预测.仿真表明,该方法克服了RBF神经网络和人工蚁群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了RBF神经网络的泛化能力,收敛速度快,输出稳定性好,提高了短期径流预测的精度,预测相对误差小于3%.可有效用于短期径流预测.     

基于小波分解的径流预报非线性模型

径流时间序列中包含了大量的信息,从频率域上来看,这些信息包括变化平稳的低频信息和变化相对剧烈的高频信息。本文利用小波分解,将径流时间序列分解为低频项和高频项,低频项采用逐步回归法预报,高频项采用基于自组织法求解的Volterra滤波器预报,两者结果综合,最终实现径流预报。实例计算表明,该模型具有足够高的计算精度。     

水文系统复杂性模型研究及应用

研究水文系统复杂度的计算方法。根据排列熵、近似熵、样本熵和Lopez-Ruiz复杂度,建立了三种基于不同熵算法的水文系统复杂度计算模型。定量描述水文系统的复杂性。以渭河流域林家村、张家山和状头水文站的月平均流量序列为例,计算结果表明:1970年和1990年前后,各站的月平均流量序列复杂度均出现不同程度的变异现象,20世纪70年代初和90年代初,渭河流域人类活动显著增强,使得径流过程复杂性增加。滑动t检验法和斯米尔诺夫定理检验与文中计算结果一致,表明文中模型是合理的。通过本文的研究,以期为定量识别水文系统复杂性提供一种新的方法。     

半干旱半湿润流域水文模型应用与比较

将6种不同的水文模型分别应用于半干旱半湿润的大阁、戴营、阜平和东湾流域.结果表明,在大阁这样的超渗产流流域,没有一种水文模型能够成功应用,混合产流模型的精度稍高于蓄满产流模型;在戴营和阜平这样的混合产流流域,混合产流模型与蓄满产流模型的精度差不多;在东湾这样的半湿润流域,蓄满产流模型精度上升,混合产流模型精度下降.TOPMODEL和SAC模型在这些流域不能得到令人满意的结果.     

线性响应模型与神经网络联合模拟降雨～径流过程

本文将简单线性（黑箱）模型与神经网络联合起来对降雨～径流过程进行了模拟,在早期大多数有关降雨～径流的神经网络研究中,往往将前期径流作为模型输入的一部分,而本文利用线性模型对径流的估算值代替前期径流作为神经网络输入的一部分,从而为资料稀缺流域降雨～径流关系的模拟提供了新的途径,研究结果表明该组合模型是可行的。     

高山寒区径流预报人工神经网络模型研究——以乌鲁木齐河源区为例

开展高山寒区径流预报对合理开发利用我国西北地区水资源有重要意义,由于恶劣自然环境造成的观测困难、干扰因素较多等问题,建立简单有效的径流预报模型是研究高山寒区水文规律的途径之一.近年来,人工神经网络技术作为一种简单有效的新方法被广泛应用于水文预报,但在冰川融雪为主的流域径流预报中的应用较少,本文以乌鲁木齐河源1号冰川区为研究对象,构建了高山寒区冰川作用区径流预报的前馈型人工神经网络模型(BP-ANN).通过1号冰川水文站各水文要素之间的相关分析初步确定网络的输入,以Nash效率系数最大等为目标函数,优选网络结构,并在此基础上对所优选网络结构的合理性及模型预见期进行了分析.     

基于随机森林模型的长江上游枯水期径流预报研究

预报因子选取和预报模型构建是长期径流预报的两大难点。本研究采用随机森林模型从当年1月份至10月份长江干流的实测径流和国家气候中心74项水文—气象特征因子共750个变量中选取预报因子集合,对长江上游屏山站、寸滩站枯水期（当年11月～次年5月）径流预报进行了研究。结果显示,随预见期增加,径流自相关关系逐渐减弱,水文—气象遥相关关系逐渐强于径流自相关关系。在屏山站和寸滩站的径流预报中,预报结果与实测结果呈显著线性关系,平均相对误差在20%以内。月径流预报误差还较大,枯水期总径流预报精度优于单月径流预报。不确定性分析结果表明随机森林模型除了预报径流变化趋势,还可以用于预报径流丰枯概率。     

基于小波消噪的混沌神经网络径流预报模型

水文要素时间序列中的噪声不仅影响水文混沌特性识别,更影响径流预测精度。本文基于小波消噪理论对水文序列中的噪声进行了处理,并利用混沌理论中的相空间重构技术计算出饱和嵌入维数作为混沌神经网络输入层节点数,将小波技术、混沌理论和神经网络方法结合起来对汛期日径流进行了预测。与消噪前相比,模型结构从7-10-1简化到6-8-1,预测合格率从77.56%提高到85.32%,平均绝对百分比误差从12.52%减少到10.86%,由此表明水文系列中的噪声会影响预测模型的参数和精度,本文所建立的模型是值得借鉴的。     

开关磁阻电机调速系统BP神经网络建模

为了实现开关磁阻电机调速系统(SRD)的准确动态仿真,在测取准确磁特性样本数据基础上,利用神经网络所具有的非线性映射能力,采用基于Levenberg-Marqvardt算法的BP神经网络,建立了开关磁阻电动机的非线性模型,并在MATLAB仿真平台上搭建SRD系统动态仿真模型。仿真实验表明,与常规线性SRD动态仿真模型相比,采用BP神经网络的SRD动态仿真模型转矩脉动小,具有稳定性好,鲁棒性强的特点。     

基于BP神经网络的马斯京根模型参数动态估计

针对平均值法和流量分级法获取马斯京根模型参数导致实时洪水预报精度低的问题,本文提出基于BP神经网络的马斯京根模型参数动态估计方法。提取每场洪水的特征属性作为神经网络的输入,采用优化算法估计的每场洪水的参数作为神经网络的输出,对神经网络进行训练,并将此方法应用于实时洪水预报的参数估计,结果表明,此方法简单可行,精度较高,比较实用。     

时延神经网络应用于洪水预报

本文运用时延神经网络模型来模拟降雨径流过程,根据Takens相空间重构理论对前期影响雨量进行重构,并将其作为神经网络降雨输入结点.该方法可以有效改变以往神经网络输入结点主观性的问题,为正确确定神经网络输入结点提供了理论依据.通过计算实例表明,该方法的降雨径流预测精度较高.     

径流过程随机模拟的混合模型及其应用

鉴于径流过程是以年为周期的非平稳随机过程,本文结合径流随机模拟的平稳随机模型和季节性随机模型,建立了一种径流过程随机模拟的混合模型。与以前的方法不同,该模型将径流过程的非平稳性用模型显式地予以描述,可用于对时间聚集水平不同的径流过程的模拟,而且概念清晰,灵活简便,易于数值实现。以密云水库兴利防洪调度综合运用方案的比较择优以及下游河道防洪风险分析问题作为应用实例,说明了这种混合模型及其建模方案的合理性和广泛适用性。     

基于灰色神经网络组合模型的动态数据序列预测

为了提高动态数据序列的预测精度,分析了现有BP神经网络和灰色预测方法各自的优缺点,并在此基础上建立了灰色神经网络组合模型.组合模型兼有BP神经网络和灰色预测的优点,弥补了单个模型的不足,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性.本方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,并利用神经网络的函数逼近特性,实现对原始数据的预测.仿真结果表明:组合模型的预测精度高于单独的GM(1,1)模型,适用于具有复杂成分的动态数据序列的建模.     

模糊神经网络及其在电力系统中的应用研究

阐述了神经网络、模糊理论、模糊神经网络、遗传算法等分支的技术发展,优、缺点及它们相互之间的结合,接着论述了模糊神经网络在电力系统中电厂的过程控制、电力系统稳定器、励磁控制、重合闸、继电保护及灵活交流输电系统等领域的应用研究的现状及前景。