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。     

年径流变化的BP神经网络预报模型研究

针对现有基于线性方法的年径流预报模型预报精度不高的问题,利用乌江洪家渡1963~2016年径流系列资料,以5~10月月平均流量作为预报影响因子,构建以年径流量为预报对象的BP神经网络模型,形成6-11-1的网络结构,并选取泛化能力强的贝叶斯规则法TRAINBR为训练函数。模拟结果表明,模型预报效果良好,对于年径流预报具有实用价值;BP神经网络模型相比逐步线性回归方法能更精确表达年径流预报因子与预报对象的映射关系;采用的训练函数TRAINBR能有效改善模型的泛化能力。研究成果可为径流预报提供参考。