日流量预测的小波网络模型初探

针对日流量时间序列的非线性和多时间尺度特性,提出了将小波分析与人工神经网络相结合进行日流量预测的新方法——小波网络模型。该模型吸取了小波分析的多分辨功能和人工神经网络的非线性逼近能力。以长江寸滩站日流量预测为例,研究表明,所构造的模型各预见期的拟合、检验精度较高。小波网络模型延长了预见期,提高了预报精度,具有广阔的应用前景。     

基于ν-SVR和GA的初始地应力场位移反分析方法研究

基于一种改进的支持向量机(ν-SVR)和改进的遗传算法(GA),提出一种初始地应力场位移反分析方法。该方法通过正交设计方法安排较少次数的正分析方案,用ν-SVR对正分析中测点位移值与参数构成的样本集进行学习,建立参数取值与观测点测值的非线性隐式方程;采用确定性或随机反分析的思路确定反分析的优化目标函数,并利用GA搜索最优参数取值。采用ν-SVR方法建立的参数取值与位移量测点测值的非线性隐式方程,能够以很高的精度拟合和预测不同参数取值时的观测点测值,因此,可以用该隐式方程代替正分析,减少计算量;采用改进的GA方法能够准确搜索到最优参数;搜索到的最优参数值与理论值相当吻合。算例表明,基于ν-SVR和GA的初始地应力场位移反分析方法是一种行之有效的初始地应力场位移反分析方法,可以广泛用于初始地应力场确定性反分析和随机反分析。     

典型降水预报ANN多指标优选——以太湖湖西区为例

为提高多种典型人工神经网络应用于降水预报的精度与稳定性并做出优选,对太湖流域湖西区丹徒、丹阳、金坛、溧阳、宜兴5站的年降水量时间序列建立基于组成成分分析的人工神经网络模型,并通过平均相对误差、平均绝对误差、均方根误差及合格率4项评价指标对比分析预报效果。该模型采用Mann-Kendall法、秩和检验法、谱分析法进行组成成分分析;建立BP网络、小波神经网络、RBF网络、GRNN网络及Elman网络模拟并预测随机成分,与确定性成分叠加得年降水量预报结果。在湖西区的研究结果表明,基于组成成分分析的人工神经网络模型的拟合及预测精度高于原始人工神经网络和线性自回归模型,GRNN网络的预测精度与稳定性高于其他4类神经网络。     

洪水预报产流误差的动态系统响应曲线修正方法

为提高实时洪水预报精度,提出了一种基于动态系统响应曲线洪水预报误差修正新方法。该方法将动态系统响应曲线引入洪水预报误差修正中,建立一种向误差源头追溯的动态反馈修正模型。此修正方法将新安江模型产流以下的部分作为响应系统, 用线性差分近似代替非线性系统响应函数的偏导数值,得到时段产流量所对应的系统响应曲线。用实测流量和计算流量之间的差值作为信息,使用最小二乘估计原理,对产流量进行修正, 再用修正后的产流量重新计算出流过程。该修正方法分别用理想案例和王家坝流域进行检验,结果证明此方法效果比传统二阶自回归模型有明显提高。     

基于遗忘因子的BP神经网络水文实时预报方法

在应用神经网络进行洪水预报时,因洪水系统随着河道上游来流、区间降雨、河床演变等因素的动态变化,其特性并不总是按照基本相同的规律变化,对这类系统的参数辨识,要求算法具有较强的实时跟踪能力,以适应模拟或预测洪水运动变化过程的要求。在BP神经网络模型的基础上,运用最小二乘递推算法,引入时变遗忘因子实时跟踪模型中时变参数的变化,建立了神经网络在非线性系统中动态系统输入、输出数据间的映射关系。计算实例表明:该法对参数的快速时变具有较快的跟踪能力和较高的辨识精度,是一种非常实用的水文实时预报方法。     

洪水灾情SVM评估模型

为解决单项洪水灾情等级评价指标结果的不相容问题,提高综合评价的精度,本文利用支持向量机分类算法,将洪水灾情非线性、高维评价样本指标通过映射转换为高维空间的线性问题,选取径向基函数作为模型的核函数,建立洪水灾情的支持向量机分类模型,实例证明该方法简便、适用性强,为洪水灾情评价提供了新的途径.     

基于平均线性粒子群算法的人工神经网络在径流预报中的应用

人工神经网络具有很强的非线性处理能力,能够有效地模拟复杂的非线性径流预报过程。传统的基于BP训练算法的人工神经网络具有训练时间较长,容易陷于局部最优值等缺陷,本文对训练算法加以改进,分别使用平均线性粒子群,粒子群和BP算法来优化人工神经网络的各项参数,首先使用标准函数测试了3种算法的全局优化性能,然后用它们对三峡水库的入库径流进行预报,以比较它们的预报性能。结果表明,在3种算法中,平均线性粒子群算法全局寻优的速度最快,稳定性最高,基于平均线性粒子群算法的人工神经网络的径流预报的精度也最高。     

基于AGA的SVM需水预测模型研究

需水预测是一个由城市人口、工业水平、社会经济水平共同作用的多因素、多层次的复杂非线性系统.其结果将直接影响受区域水资源承载力约束的产业结构、布局形态等决策.作为一种集中参数预报方法,支持向量机方法具有对未来样本的较好的泛化性能,对于这类资料缺乏、系统结构尚欠清晰的问题可以取得较好的模拟和预测结果.基于此,本文将支持向量机方法引入需水预测领域,建立了需水预测支持向量机模型.同时,本文将加速遗传算法和支持向量机方法耦合起来,构造了支持向量机模型参数的自适应优化算法.模型在珠海市的应用实例表明:与简单遗传算法比较,AGA的模型参数寻优效率更高;与BP神经网络模型相比,SVM模型较好地解决了小样本、经验性等问题,并取得了较高的预测精度.     

洪水预报过程的交互式修正技术研究

由于预报模型的局限性和实时信息的不完善,洪水预报过程存在许多误差,而基于图形交互式修正技术是消除预报误差的有效手段。分析了水文预报过程交互式修正技术在洪水预报工作中的重要性,介绍了过程拟合平滑技术和样条插值技术,基于此基础上研究实现了以橡皮筋形式交互式修正水文预报过程的技术,并应用于洪水预报系统中。研究实例表明,该技术使用方便,有效地提高了洪水预报精度。     

基于神经网络理论的河道水情预报模型

河道水流运动过程特别是洪水演进过程是一个复杂的非线性动力学过程,鉴于神经网络具有很强的处理大规模复杂非线性动力学系统的能力,本文将神经网络理论用于河道水情预报的研究,以期识别水流运动变化过程与其影响因子之间的复杂非线性关系,为河道水情预报提供了一条新的途径。在此基础上建立了螺山站洪水预报的非线性动力学模型,通过分析研究得出近年来特别是1998年长江中游出现的小流量高水位现象与螺山汉口河段累计淤积有关并得到螺山站水位变化与河床淤积之间的定量关系。     

BP神经网络洪水预报模型在洪水预报系统中的应用

采用相关分析法,在区域降水、观测断面流量(或水位)因子中识别出影响预报断面径流过程的主要变量,在多个观测断面的数据均为流量情况下,采用基于时延组合的合成流量为影响预报断面径流过程的变量,采用自相关分析法,识别出影响预报断面径流过程的前期流量(或水位),以这些变量为BP神经网络模型的输入,以预报断面的流量(或水位)为模型的输出,在BP神经网络隐层节点数自动优选的基础上,构建了基于BP神经网络的洪水预报模型。将模型载入中国洪水预报系统中,应用结果表明:模型在历史洪水训练样本具有一定代表性的情况下,可获得较高的预报精度。     

自回归总径流线性响应模型在洪水预报中的应用

采用自回归总径流线性响应(ATLR)模型建立淮河王家坝站洪水预报方案和海河流域南运河水系洪水预报调度方案.自回归TLR模型与TLR模型加误差自回归实时校正模型的结构相同,但前者计算简捷,预报精度也有所提高.     

实时洪水抗差预报系统研究

把抗差估计理论引入实时洪水预报系统,提出适合于实时洪水预报系统的抗差特征函数,建立降雨误差的动态监控模式,研究实时修正模型参数的动态抗差估计,结合洪水预报模型,形成具有水文学特点、抗差性强的实时洪水抗差预报系统.将此系统和传统实时洪水预报系统运用于闽江七里街流域,比较当降雨和流量资料存在异常误差时两系统的预报效果.结果表明,实时洪水抗差预报系统能抵御异常值的影响,获得比较稳定且高精度的预报结果.     

不同洪水预报模型在拒马河流域的应用对比分析

拒马河水系为海河流域防洪重点区域,预报难度大,精度要求高。根据海河流域拒马河水系历史水文资料,分别采用新安江模型、增加超渗的新安江模型、河北雨洪模型和人工神经网络模型,对1956年、1963年和2012年暴雨洪水进行预报对比分析,研究结果表明:4种模型均可应用于暴雨强度大、降雨历时长的历史洪水模拟,洪峰流量模拟相对误差均小于20%,尤以人工神经网络模型模拟精度最高,4种模型在干旱半干旱地区均具有推广应用价值。     

基于支持向量机的洞庭湖区域水沙模拟

在对复杂的荆江一洞庭湖河网水系概化和洞庭湖区水沙特性分析的基础上,建立洞庭湖区水沙支持向量机模型,通过对1956～2008年城陵矾出湖系列输沙量模拟和检验,实测值与拟合值吻合良好,且精度明显高于人工神经网络和线性回归等方法.     

河流集合预报方法在洮河流域径流预报中的应用研究

为研究洮河流域径流预报,根据河流集合预报方法,利用红旗水文站实时监测资料,基于中国洪水预报系统开发的三水源蓄满产流、滞后演算和马斯京根模块构建全流域洪水预报模型,并应用该模型分析预测红旗水文站径流及其概率分布统计。结果表明:径流拟合过程拟合较好,取得了较好的预报效果,模型满足河流集合预报应用的条件,结论可为洮河流域水资源开发利用、防汛保安提供参考依据。     

基于BP人工神经网络的枯水径流预报方案研究

介绍了BP人工神经网络的桔水径流预报方法,编制了锦屏一级水电站枯水径流预报方案.根据枯水径流预报方案的预报精度评定成果,总结了应用BP人工神经网络进行枯水径流预报的特点.研究表明基于BP人工神经网络的枯水径流预报方案能够满足水文情报预报规范,具有较好的实用性和可行性.     

基于GA-SVR的渗透系数参数反演方法

渗透系数参数反演的本质是优化问题求解,遗传算法是一种基于自然选择和群体遗传机理的新的全局优化求解方法,可以较好地用于求解诸如渗透系数参数反演等复杂非线性组合优化问题。基于结构风险最小化原理的支持向量机具有逼近复杂非线性系统、较强的学习泛化能力,可以用来计算渗透系数参数反演过程中的测点水头值。实验表明,基于遗传算法-支持向量回归机的地下水渗透系统参数反演拟合效果良好,能大大提升区间搜索效率,避免出现局部最优解,其参数识别精度符合实际应用要求。     

洪水预报自回归实时校正多步外延方法研究

自回归模型在洪水预报实时校正中应用广泛。针对自回归模型进行连续多时段校正时中间误差系列缺失问题,提出一种基于历史洪水预报误差系列的样本重组自回归外延方法,以淮河流域王家坝断面为背景,选用洪量相对误差、洪峰相对误差、峰滞时间和确定性系数四个指标开展校正效果评估,并与时程递推外延方法对比。结果表明:样本重组外延方法可以提升洪水预报精度,延长洪水预报有效预见期,特别在降低洪量误差和提高洪水过程的拟合精度上优势更为显著。同时,该方法泛化能力较强,具有实用价值。     

利用涨落洪规律建立洪水预报模型

为了提高大江河洪水预报精度,结合本地大江河洪水特性,提出利用涨落洪规律建立洪水预报模型。该模型可以解决以下两个问题：一是大江河预报河段上游站不能通过降雨径流关系推求入流过程,而需要作下游站洪水过程预报问题;二是按马斯京根法进行河道流演算的没有预见期的问题。