基于小波去噪和FA-SVM的中长期径流预报

为优化支持向量机(Support Vector Machine,SVM)模型参数,提高中长期径流预报精度,建立了基于FA-SVM的中长期径流预报模型。该模型以样本中训练期均方差最小为目标函数,利用萤火虫算法(Firefly Algorithm,FA)对支持向量机主要参数(惩罚系数C、核函数参数g和不敏感损失系数ε)进行了优化。以岷江上游的紫坪铺水库为例,运用小波去噪法对各月径流序列进行数据预处理后,利用FA-SVM模型与BP神经网络模型进行了中长期径流预报。结果表明:(1)运用小波阈值法能够较好地滤除各月径流序列的系统噪声和测量噪声;(2) FA-SVM模型中长期径流预测效果较好,预报精度等级均在丙级以上;(3) FA-SVM模型的预报效果优于BP神经网络模型。     

基于混沌小波与支持向量机的径流预测

以淮河流域沙颍河水系沙河和澧河上游的水库为例,建立了月均流量的混沌小波支持向量机组合预报模型,充分利用了混沌分析的相空间重构、小波分析的多分辨率功能以及支持向量机的非线性逼近能力,并采用NSE、PBIAS和RSR对组合预测模型进行了评价。结果表明:混沌小波支持向量机组合预测模型的识别期和验证期模拟精度均较高,均优于混沌支持向量机模型。     

基于小波分析—模糊神经网络的径流预报模型

根据不同的小波分解及重构技术及不同的模糊神经网络模型训练周期,本文提出了四种小波分析与模糊神经网络相结合的径流预报模型,即：基于Mallat算法的母周期径流预报模型、基于Mallat算法的子周期径流预报模型、基于小波包算法的母周期径流预报模型、基于小波包算法的子周期径流预报模型,并阐述了模型建立的原理、结构及步骤。而且,以黄河源区出口水文站——唐乃亥站月径流量为应用实例,采用周期分解系数及模拟效率系数对上述四种模型进行对比评价。结果表明：基于Mallat算法的母周期径流预报模型预报效果最好,基于小波包算法的子周期径流预报模型则模拟效果最差。文中对导致这一现象的主要原因进行了分析, 并对小波分析及模糊神经网络在水文模型中的应用提出了合理化建议。     

基于ν-SVR的雅鲁藏布江羊村站洪水预报模型

为了建立雅鲁藏布江羊村站的洪水预报方案,对ν-支持向量机洪水过程预报模型(ν-SVR)进行了深入研究。针对羊村站以上流域洪水特征和站网分布特点,采用ν-SVR模型方法建立了该站洪水过程预报模型。选取了1998~2004年及2005~2007年汛期洪水和相应降水资料进行了模型率定和检验。结果表明,ν-SVR洪水过程预报模型能很好地控制支持向量个数,在降低模型的复杂程度的同时,能保持良好的预报精度,可用于洪水作业预报。     

基于支持向量机的中长期入库径流预报

采用基于支持向量机的预测模型对水库中长期入库径流进行预报,建立径流预报的SVM模型。预报因子的优劣决定着预测精度的高低。为了提高预报精度,尝试采用模糊优选法对预报因子进行优选。将所建模型应用于新疆雅马渡站的径流预测中,并与没有进行预报因子优选的SVM模型进行比较。结果表明,进行预报因子优化后的SVM模型明显提高了径流的预报精度,具有更好的应用价值。     

基于小波分析的最近邻抽样回归预报模型研究

〗为了提高水文中长期预报的精度,以屏山站1951～2005年年径流序列为例,应用小波分析技术对信号进行多尺度分析,将水文时间序列分解成若干个高频序列和低频序列,再将高频序列和低频序列分别应用最近邻抽样回归建立模型,然后应用小波重构技术将各序列进行重构,从而实现对原始序列的预测。结果表明：应用小波技术建立的组合模型,其精度明显高于单一的最近邻抽样回归模型,可以应用于生产实践中。     

基于 PSO-SVR 的丹江口年径流预报

目前应用于丹江口水库年径流预报的方法主要为物理统计和人工神经网络(ANN)等方法,但这些方法普遍存在预报精度不高和稳定性不强等缺点。选择回归支持向量机(SVR)模型应用于丹江口水库年径流预报,针对惩罚系数C、核参数σ和不敏感损失系数ε三个参数在实际赋值过程中存在计算量大、难以得到最优值等问题,将粒子群优化算法(PSO)加入到SVR模型中,建立PSO-SVR模型,实现了参数的自动优选。结果表明,PSO-SVR模型较之SVR模型,提高了预报精度;较之ANN模型,稳定性更强,可信度更高。该模型具有较好的应用价值,可为南水北调中线工程调度方案制定提供一定的参考依据。     

基于多种混合模型的径流预测研究

变化环境下径流的波动不断加大,给径流的精准预报带来新的挑战。基于"分解-合成"策略的混合径流预报模型来提高预报精度是当前研究的热点之一。以往研究聚焦在单一的混合预报模型而忽视了它们的适用性研究。基于此,以渭河流域为例,在优选多元线性回归(MLR)、人工神经网络(ANN)和支持向量机(SVM)单一预报模型的基础上,分别基于经验模态分解(EMD)、集合经验模态分解(EEMD)和小波分解(WD)构建了多种混合模型,并融合了大气环流异常因子的信息。结果表明:(1)SVM模型预测精度高于ANN和MLR;(2)混合预测模型预测精度均高于单一模型,混合模型中WD-SVM的预测精度优于EMD-SVM和EEMD-SVM;(3)融合大气环流异常因子后WD-SVM模型预测精度最高,对极值预报精度的提高较为明显。     

基于WA-SVM组合模型的流域月降雨量预测研究

 基于小波分析-支持向量机（WA-SVM）组合预测模型方法,将原始降雨序列进行小波分析分解到不同层次,对每层分别采用支持向量机预测,最后合成原始序列的预测值。将该模型应用于实际流域月降雨量预测,并与单独支持向量机回归方法的结果进行了对比分析。     

基于降水一径流模型的中长期径流预测

通过物理成因分析确定了降水与径流的相关性,并采用相关概率法,利用卡方检验证明黄河上游贵德站降水与径流相关关系显著。在此基础上,采用最小二乘支持向量机方法建立了降水一径流预测模型。计算结果表明,预测的十个点位值,除一个不满足流量距平值小于10%的要求以外,余者的预测流量值与多年平均值相比均小于10%,预测精度相对较好。     

不同组合小波神经网络模型对径流预测的适用性

针对水文时间序列的非平稳性特征,以长江三峡宜昌站1904~2003年年平均流量为例,分别建立了小波分析（WA）与BP神经网络和径向基函数神经网络（RBF）耦合的预测模型,探究了两种组合模型的预测效果,并与传统的单一人工神经网络模型对比;并采用5种常见的预测性能评价指标分析预测效果。结果表明：组合模型预测成果的精度较单一模型显著提高;组合和单一模型中RBF网络模型均优于BP网络模型;小波径向基函数神经网络组合模型具有较优的预测精度和泛化能力,是提高预测精度的有效方法,在径流预测中具有可行性。     

多组群教学优化算法-神经网络-支持向量机组合模型在径流预测中的应用

采用5个标准测试函数对多组群教学优化(MGTLO)算法进行仿真验证,并将仿真结果与基本教学优化(TLBO)算法、混合蛙跳算法(SFLA)、差分进化(DE)算法和粒子群优化(PSO)算法的仿真结果进行对比。利用MGTLO算法搜寻基于广义回归神经网络(GRNN)、径向基神经网络(RBF)、支持向量机(SVM)模型单元的组合模型的最佳模型参数和组合权重系数,提出MGTLO-GRNN-RBF、MGTLO-GRNN-SVM、MGTLO-RBF-SVM、MGTLO-GRNN-RBF-SVM 4种组合预测模型,以新疆伊犁河雅马渡水文站和云南省某水文站年径流量预测为例进行了实例分析,并将预测结果与MGTLO-GRNN、MGTLO-RBF、MGTLO-SVM和GRNN、RBF、SVM 6种单一模型的结果进行对比分析。结果表明:MGTLO算法寻优精度优于TLBO、SFLA、DE和PSO算法,具有较好的收敛速度和全局极值寻优能力;组合模型融合了MGTLO算法与GRNN、RBF、SVM模型单元的优点,在预测精度、泛化能力等方面均优于单一模型;MGTLO算法能有效优化各组合模型的相关参数和权重系数,MGTLO-GRNN-RBF-SVM模型预测精度最高。     

支持向量机的混沌序列预测模型及在径流中应用

混沌和支持向量机理论为研究复杂多变的非线性水文时间序列开辟了新的途径。给出了应用支持向量机回归原理的混沌时间序列非线性的预测建模的思路、特点及关键参数的选取。根据重构相空间理论对月径流过程进行相空间的重构,探讨了支持向量机混沌时间序列非线性预测模型在月径流预测中的应用,在支持向量机建模过程中引入了经向基核函数,简化了非线性问题的求解过程。实例表明,该模型能较好地处理复杂的水文数据序列,且有较好的预测精度。     

基于小波分析的NARX神经网络在水位预测中的应用

高精度的水位预测能为防洪决策、水资源管理等提供重要的调度依据,减少洪旱灾害损失。为提高预报精度,提出一种基于小波分析的NARX神经网络模型(DWT-NARX),综合考虑洪泽湖入湖流量、出湖流量、周边用水、前期水位等因素,对洪泽湖日水位进行预报,并与BP神经网络、NARX神经网络模型进行比较。结果表明,三种模型在短历时预报中均取得了较好的模拟预测效果。当预见期为1或2天时,Nash-Sutcliffe效率系数均大于0.9,合格率大于85%;当预见期超过3d,NARX模型在水位变幅较大的时段预测结果变差,BP模型出现严重的震荡现象,NARX和DWT-NARX模型结果均优于BP神经网络,DWT-NARX在整体上结果最优。研究成果可为洪泽湖的水位预报提供一定的参考价值。     

基于相空间重构的大坝服役性态小波支持向量机预测模型

通过支持向量机与相空间重构、小波分析、粒子群算法等的组合应用,充分考虑大坝原型监测数据特征,开展了大坝变形性态预测模型研究。为提升模型的抗噪能性,首先利用小波分析工具对监测数据序列进行时频分解,对分解所得的高频子序列实施阈值去噪处理;进而在借助混沌相空间重构技术,计算各子序列延迟时间与嵌入维数的基础上,重构各子序列的相空间。依据去噪和重构后的变形子序列,建立大坝变形性态支持向量机预测模型。考虑到支持向量机惩罚因子与核函数参数对模型预测精度影响显著的特点,引入粒子群算法,并通过支持向量机的参数寻优,进一步提高了模型的预测精度。工程实例分析表明,相空间重构的大坝变形性态小波支持向量机预测模型具有较强的抗噪和泛化能力,且能够更好地辨识蕴含于大坝原型监测数据中的时频非线性特征,更利于大坝变形性态的精准预测。     

基于小波分解的日径流逐步回归预测模型

本文以预测水文站的上游水文站的日径流序列为依据,利用小波分解和重构得到预测水文站及上游水文站的日径流序列在1~4尺度下的概貌分量,然后以各站的原始径流序列及其在不同尺度下的概貌分量为候选预报因子,建立了径流逐步回归多步预测模型。计算实例表明,由于引入了上游水文站的径流序列并提取了各站径流序列的不同尺度下的概貌分量,本文提出的基于小波分解的日径流逐步回归预测模型的预测精度高于小波网络模型和多元自回归模型,能对非凌汛期未来1~3d以及凌汛期1~7d的日均流量进行预测,可为制定水电站未来的发电计划提供科学的依据。     

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。     

回归支持向量机模型及其在年径流预测中的应用

研究交叉验证（CV）SVR年径流预测模型,以云南省清水江革雷站为例进行实例分析。利用SPSS软件选取年径流影响因子,确定输入向量;采用CV方法搜寻SVR惩罚因子C和核函数参数g,构建CV-SVR多元变量年径流预测模型,并构建GA-BP、传统BP模型作为对比模型。利用所构建的模型对实例进行预测。结果表明：CVSVR模型对实例后15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3.4596%、9.3035%,预测精度和泛化能力均优于GA-BP、传统BP模型,表明CV能有效搜寻SVR惩罚因子C和核函数参数g。CV-SVR模型具有预测精度高、泛化能力强以及算法稳定等特点。     

基于子波变换序列的人工神经网络组合预测

本文引入一种新的水文序列组合预测方法，首先对水文离列施行ＡＴｒｏｕｓ子波变换，得到其在各倍频程上的子波系数，其次利用人工神经网络预测模型对子皮系数进行了多尺度组合预测：而后运用ＡＴｒｏｕｓ完全重构公式，得到水文序列的预测，本文对宜昌站年平均径流离列作了研究，结果显示预测效果理想。     

基于连续蚁群算法和小波支持向量机的位移反分析

提出一种基于连续蚁群算法和小波支持向量机的位移反分析模型。一方面利用具有良好时域、频域分辨能力和非线性学习功能的小波支持向量机建立反演参数和位移之间的非线性关系,避免了大量的数值计算,提高了预测精度;另一方面利用全局优化的连续蚁群算法代替传统的优化算法,避免优化过程中目标函数陷入局部最优,提高了反演的精度。应用该模型对三峡工程永久船闸高边坡4种介质弹性模量进行位移反分析,并利用反演所得参数进行监测点位移预测,计算值与监测值吻合较好,表明该方法适合解决具有非线性和不确定特性的岩土工程问题,在位移反分析中具有良好的实际应用价值。