基于遗传BP算法的日径流预测

用遗传算法和BP算法相结合的混合算法来训练日径流神经网络预测模型的权值，即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，这一算法克服了BP算法收敛速度慢、易陷入局部极小等缺陷，实例证明提高了预测精度。     

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。     

基于免疫进化算法的BP网络模型在径流预测中的应用

在BP网络模型基础上,引入免疫进化算法,建立了基于免疫进化算法的BP网络模型。该模型在一定范围内随机生成初始权值群体,用BP网络进行训练,选择群体中具有最大适应度值的权值个体作为最优个体,应用免疫进化算法生成下一代权值群体,再用BP网络对权值群体进行训练,此迭代过程反复进行,直至达到问题求解精度要求为止。将该模型应用于新疆伊犁河雅马渡站的径流预测,并将预测结果与基本BP网络模型和基于遗传算法的模糊优选BP网络模型的预测结果进行比较,结果表明,该模型不仅精度较高,而且稳定性较好。     

粒子群收缩因子算法在BP网络年径流预测模型中的应用研究

径流预测是梯级电站优化调度的基础。目前已广泛应用的BP网络径流预测模型的参数确定多采用"试错法",具有较大的不确定性,影响到模型的收敛速度和精度。本文利用粒子群收缩因子算法(CFPSO)对BP模型的初始权重及偏值、学习率、动量因子和训练次数等参数进行优化,并利用电站年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。     

BP神经网络在大理河年径流预测中的应用

以大理河为例,根据其1964—2001年年径流序列的长期变化特征,利用MATLAB工具箱提供的神经网络设计、训练及仿真函数建立了年径流预测的BP神经网络预测模型。结果表明:BP神经网络预测值检验的合格率为100%,预报精度明显高于自回归模型。     

LM-BP算法在径流预测中的应用

为改善常规BP神经网络的性能,根据Nguyen-Widrow初始化规则对网络层的权值和阈值进行了初始化,利用黄金分割法对隐层节点数所在区间进行了寻优,并采用Levenberg-Marquardt优化算法改进了BP神经网络模型,然后利用经隐层单元优化的LM-BP网络模型对某流域的年径流量进行了预测检验。结果表明:经隐层单元优化的LM-BP网络收敛速度快;2001—2010年年径流量预测结果的相对误差均小于20%,合格率为100%。     

黄河上游天然年径流长期变化趋势预测

基于神经网络理论与传统分析方法,采用改进的BP网络算法,利用黄河青铜峡水文站278年(1723~2000年)的天然年径流时间序列,建立了黄河上游年径流长期变化的BP网络预测模型,并以此模型对2001~2050年黄河上游天然年径流变化趋势进行预测分析,结论认为:①黄河上游天然年径流在未来50 a变化的大趋势是丰水时段占优势,且黄河干流天然年径流变化要经历3个不同的时段,即2001~2013年以多年平均水平为基准上下波动的时段、2014~2037年相对丰水时段和2038~2050年相对枯水时段;②用神经网络理论建立了黄河天然年径流中长期BP网络预测模型,模型预测分析的未来几十年黄河天然年径流变化的大趋势是可信的。     

改进BP网络模型在径流预测中的应用

为了克服传统BP网络模型在训练过程中部分参数难以快速准确拟定的缺点,利用免疫粒子群算法对BP网络模型中隐含层节点数、最大训练次数、学习效率、动量因子等参数进行决策优选,建立了基于免疫粒子群算法的改进的BP网络模型。通过应用于某水电站水库的入库径流预测,结果表明,与传统BP网络模型相比,利用改进的BP网络模型所得的径流预测结果更准确。     

BP人工神经网络模型及其在年径流预报中的应用

文章选择和田河支流玉龙喀什河作为研究对象,构建BP神经网络模型,对玉龙喀什河年径流及相关气象资料行径流模拟研究,结果表明:BP人工神经网络模型收敛速度快,预报精度高,为该领域研究提供了新的思路。     

黄河年降雨-径流BP预测模型研究

采用改进的BP算法,对黄河兰州水文站45年(1956～2000年)的年降雨和径流实测资料进行了分析,建立了基于人工神经网络的年降雨一径流预测模型,研究结果表明：仅用预报前时段的年降雨和径流资料作为输入来预测下一时段的径流,其预报精度较差,但在预报期内有相对误差小于10％的降雨预报值输入时,所建模型对下一时段的径流预测与传统的统计建模方法相比,预报精度较高,能较好地反映黄河上游区的年降雨-径流规律。     

小波网络模型在年径流预测中的应用

结合人工神经网络（ANN）的较强非线性逼近功能和自学习、自适应特点。充分发挥两者优势，将小波分析与人工神经网络进行耦合（即小波网络模型）。将非线性时间序列实行小波变换．再以小波变换序列作为ANN的输入、原始时间序列作为ANN的输出，最后训练网络并进行预测。     

BP神经网络预测河流月径流量

河流的月径流量是随机变化的，影响因素很多，如人类活动、降雨、下垫面的土壤、植被覆盖情况。利用人工神经网络理论建立BP（Back-Propagation，反向传播方法）网络预测模型，用该模型对河流的月径流量进行预测，BP神经网络模型计算快速，占用内存小，还有很好的容错性，可以得到比较理想的结果，精度高，可靠性好。模型建立之后，将其用于实例，通过对大量样本进行很多次的训练学习，得到训练好的BP网络模型，最后进行预测，得到令人比较满意的结果。     

水库流域年均径流模型的灰色神经网络分析

水库流域年均径流量受诸多因素影响，而年均径流量对水库流域水资源经济开发利用作用显著。利用改进后的灰色模型对某水库流域实测数据的年均径流模型进行了相关影响因子的建模分析，将预测值与实测值作为神经网络的训练样本，对网络进行训练并分别进行识别，同时进行误差分析对比。结果表明，灰色神经网络能对水库流域年均径流模型进行预测分析，精度较高，所得结果与实际观测数据基本相符。     

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。     

BP神经网络在河段汛期径流预测中的应用

本文以武隆站与江界河1985～1986年汛期(5～10月)的实测数据为资料,利用BP算法,建立了基于人工神经网络的武隆站汛期预报模型,经过1987年的资料检验,同时与线性回归模型相比较得出,该模型预报精度良好,模型稳定可靠。     

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LSTM 神经网络模型的灞河流域径流预报研究

径流预报是缓解洪水的一种重要方法。基于1978-2010 年的水文资料,结合长短期记忆神经网络（Long-Short Term Memory,LSTM）,构建了灞河流域径流预测模型,并且评价了模型对同一流域不同特征水文站的差异及不同季度的预测效果差异。结果表明：不同神经元的组合,对LSTM 模型预测效果会产生影响,利用最佳的神经元组合可以更加有效预测径流量变化,大峪河大峪（三）站的最佳组合为第一层神经元128 个,第二层神经元32 个;灞河罗李村（四）站的最佳组合为第一层神经元128 个,第二层神经元8 个;灞河马渡王站的最佳组合为第一层神经元8 个,第二层神经元2 个。不同站点的LSTM 最佳模型都能较为有效的预测三个水文站2006-2010 年的径流量变化,其中大峪河大峪（三）站效果最佳,其余两个站点效果相对较差。LSTM 模型对各个季度的预测效果有差异,各个站点大部分第三季度的均方根误差都较大,而对第一、四季度的径流预测相对较准确。     

遗传算法改进神经网络模型在太子河流域径流预报中的应用

本文对用遗传算法(GA)改进的神经网络的算法进行了分析,建立了用GA寻求权重的前馈网络模型(简称模型I)和用GA优化初始权重的前馈网络模型(简称模型Ⅱ)。对太子河流域的5个计算单元前35年年径流量进行了模拟和用后10年资料对模型进行了检验,并与传统的BP神经网络模型进行了比较。结果表明:模型I对历史样本拟合较差,但其预报效果优于模型II和传统的网络模型。模型II和未改进的网络模型效果相似,精度有所提高。     

时间序列分解模型在乌拉斯台河年径流量预测中的应用研究

在剖析了现有年径流量预测方法的基础上,根据乌拉斯台河年径流量(1960年~1989年)序列的长期变化特征,提出了时间序列分解预测模型,即将年径流系列分解为趋势项、周期项、随机项,通过对其各项进行识别、提取,再将各项线性叠加,从而建立年径流量预测模型。从模型的识别过程可得,乌拉斯台河年径流具有不显著的递减趋势和明显的周期变化,同时具有一定的随机性。从模型的检验来看,所建模型具有较好的适应性和预报精度,并且拟合效果较好,说明这种预测方法有一定的实用性。