计算机模拟溃坝洪水问题的程序设计

随着计算机性能的提高，计算机模拟技术日益复杂，在研究使用计算机模拟洪水的演进，以期给出准确的预警，最大限度减少损失和人员伤亡方面也取得一定进步。本文尝试用MATLAB程序模拟溃坝洪水，并在最后给出一个算例。     

大系统分解协调在库群防洪优化调度中的应用

文章介绍了大系统分解协调理论,建立了串联、并联库群水库防洪优化调度模型.以澧水流域并联系统为例进行了优化调度计算,并以常规调度方案成果进行了分析比较论证.     

改进BP网络在航材需求预测中的应用

针对航材备件需求预测问题,在对影响航材备件需求量的多个因素进行分析研究的基础上,运用改进BP神经网络算法进行预测的仿真实验。实验结果表明,改进BP神经网络能够对积累的历史数据进行充分的应用,并且有较高的预测准确性。     

基于Copula函数的洪水峰量联合设计方法研究

为明晰洪水峰量联合设计的特点,以岗南水库洪水为例,基于Gumbel Copula函数,分析了AND、OR、Kendall、生存Kendall 4种重现期的优缺点,采用极大似然法、同频率法、条件最可能组合法3种方法计算了联合设计值。结果表明: ①AND和OR重现期在危险域和安全域的识别上存在局限性;相对而言,Kendall重现期更合理,但其安全域是无界的,这与实际不符;生存Kendall重现期则界定了有界的安全域,使得重现期的概念在逻辑上更科学合理。② 3种设计值计算方法的差别不大,但从简单实用角度出发,推荐采用同频率法计算设计值。③不同重现期标准的设计值差别比较明显,基于OR重现期计算的设计值总是最大的,生存Kendall、Kendall重现期设计值次之,AND重现期设计值最小。④推荐采用生存Kendall重现期进行两变量洪水设计,因其有比较严谨的理论基础,且设计结果兼顾了安全性与经济性。⑤两变量联合设计值与单变量设计值的差异受变量间相关性的影响较大,且变量相关性越弱,差异越大。研究显示,基于生存Kendall重现期、采用同频率法计算设计值是目前较为科学合理的洪水峰量联合设计途径。     

洪水预报智能模型在中国半干旱半湿润区的应用对比

为探究不同洪水预报智能模型在我国半干旱半湿润区的应用效果,选用决策树、多层感知器、随机森林和支持向量机4种模型在陕西省3个典型流域进行逐时洪水预报;选择相关系数、纳什效率系数、均方根误差、平均绝对误差和相对误差等评价指标,比较不同预见期下4种模型在半干旱半湿润典型流域洪水预报的适用性。结果表明:在短预见期预报中,4种模型在半湿润区典型流域均可获得较高的预报结果,在半干旱典型流域模拟精度相对偏低,仅支持向量机模型满足预报要求;随着预见期延长,不同模型性能变化差异大,支持向量机模型整体稳定,在小流域实时洪水预报中具有明显优势;随机森林模型与决策树模型精度随预见期延长而缓慢下降,前者适应性更好;多层感知器模型精度随预见期延长而骤减,模型稳定性较差。     

河套盆地晚更新世以来黄河改道对高砷地下水分布的控制机制

针对河套盆地开展了历时多年的水文地质环境地质调查,利用采集的298组浅层地下水样品以及收集并甄选的382个水文地质钻孔记录分析发现:河套盆地内95%的高砷地下水(As质量浓度10μg/L)集中在黄河决口、改道形成的古河道影响带及黄河决口扇裙带。其中,盆地南部首次发现了较为集中的高砷地下水,其分布范围与黄河北岸的晚更新世以来黄河决口、改道形成的4个大型决口扇,在空间上有着良好的对应关系。黄河古河道带及决口扇裙带表现为较强的还原环境及蒸发浓缩作用以及较弱的地表水补给强度。受pH值、含铁氧化物的还原性溶解等因素影响,决口扇裙带浅层地下水中砷的含量略低于平原中部黄河古河道带。结果表明:黄河古河道带及决口扇裙带特定的沉积环境控制着地下水的水文地球化学过程,进而对高砷地下水的分布具有决定性的作用。     

Stock Price Forecasting: An Echo State Network Approach

Forecasting stock prices using deep learning models suffers from problems such as low accuracy, slow convergence, and complex network structures. This study developed an echo state network (ESN) model to mitigate such problems. We compared our ESN with a long short-term memory (LSTM) network by forecasting the stock data of Kweichow Moutai, a leading enterprise in China’s liquor industry. By analyzing data for 120, 240, and 300 days, we generated forecast data for the next 40, 80, and 100 days, respectively, using both ESN and LSTM. In terms of accuracy, ESN had the unique advantage of capturing nonlinear data. Mean absolute error (MAE) was used to present the accuracy results. The MAEs of the data forecast by ESN were 0.024, 0.024, and 0.025, which were, respectively, 0.065, 0.007, and 0.009 less than those of LSTM. In terms of convergence, ESN has a reservoir state-space structure, which makes it perform faster than other models. Root-mean-square error (RMSE) was used to present the convergence time. In our experiment, the RMSEs of ESN were 0.22, 0.27, and 0.26, which were, respectively, 0.08, 0.01, and 0.12 less than those of LSTM. In terms of network structure, ESN consists only of input, reservoir, and output spaces, making it a much simpler model than the others. The proposed ESN was found to be an effective model that, compared to others, converges faster, forecasts more accurately, and builds time-series analyses more easily.     

人工神经网络技术在电工产品可靠性实验中的应用(理论部分)

本文简要介绍了人工神经网络，BP神经网络的结构、训练和学习规则以及人工神经网络非线性时间序列预测的应用概况。