非线性水文系统的实时预报方法比较研究

讨论了非线性水文系统的几个（水文学的和数学的）实时预报方法，数学方法包括回归分析，递推的回归模型和神经网络模型，两个实例计算结果显示了水文学预报方法和简单的回归方法的精度高于较复杂的数学方法，最后分析了该现象的原因。     

单因子水文预报方程算法及实例分析

作为单因子水文预报模型中长期水文预报应用相对广泛,本文利用平稳时间序列模型。利用Gass消去法、Gass-Seidel迭代两种方法计算水文预报方程组,并进行单站的实例计算和两种计算结果的对比分析,误差为18％,可以作为实用的预报方案使用。水文预报方程是建立在线性函数关系基础上的,因而只要是具有某种线性关系的连续系列都可以利用该方法进行预报。并可作为下年水量状况的参考数据,尤其连续的洪、旱灾年,本方法将更为精确。     

三种基于神经网络的洪水实时预报方案的比较研究

在总结神经网络应用的基础上,归纳了3种基于神经网络的洪水实时预报方案。第一种是神经网络水文模型的模拟模式加模拟误差的自回归校正模型,第二种是权重系数固定的神经网络实时预报方案,第三种是权重系数自动更新的神经网络实时预报方案。采用10个不同流域的日流量资料对这3种方案进行率定和校核。比较这3种方案的实时预报精度。结果发现,第三种方案不仅预报精度要高于其他两种方案,而且比第一种方案少了一个自回归校正模型,结构简洁。本文建议采用第三种洪水实时预报方案。     

基于遗传神经网络的渗流实时预报方法研究

考虑渗流的主要影响因子,运用遗传神经网络建立了大坝渗流实时预报模型。该模型具有再学习能力,在应用过程中,可以用新的观测资料对模型不断地进行学习训练,且随着样本的积累,模型预报精度不断提高,预报速度很快,因而完全满足实时预报的需要。利用该模型对丰满大坝横向扬压力进行了建模预报,预报值与实测值基本吻合,预测精度高,证明该方法用于大坝渗流实时预报的有效性和实用性。     

基于偏最小二乘与神经网络耦合的储层参数预测

将偏最小二乘回归（PLS）与神经网络（NN）耦合，建立了储层参数预报模型。利用偏最小二乘对影响储层参数的诸多因素进行分析，提取对因变量影响强的成分，从而克服了变量间的多重相关性问题，降低了神经网络的输入维数；同时，利用神经网络建模可以较好地解决非线性的储层参数预测问题。计算实例表明，本耦合模型的拟合和预报精度优于独立使用神经网络模型的精度。     

敏感型人工神经网络及其在水文预报中的应用

为充分挖掘资料信息、加快收敛速度,采用一种具有敏感功能的神经网络预报模型。该模型在构造时序样本时引入遗忘因子和期望因子,以体现对前期资料的遗忘和近期预测的期望。在权值调整过程中采用指数型能量函数,以加快网络的学习收敛速度。应用实例证明:该方法可以提高当前的预测精度,并避免网络学习过程中的振荡现象。     

基于PSONN的大坝监控实时预报模型

将粒子群算法（PSO）引入大坝监测领域,提出一种基于粒子群神经网络（PSONN）的大坝监控预报模型。该模型充分发挥PSO的全局寻优能力和BP神经网络局部细致搜索优势,给BP神经网络提供了良好的初始权值。对逐一粒子群（SPSONN）、整体粒子群（WPSONN）、逐一BP（SBPNN）及整体BP（WBPNN）4种预报模型的对比分析表明：逐一预报模型（SPSONN和SBPNN）的预报精度明显高于对应的整体预报模型（WPSONN和WBPNN）的预报精度;与BP神经网络模型相比,PSONN模型不仅收敛速度明显加快,而且预报精度也有较大提高,尤其是SPSONN模型,其高精度和短历时性完全满足实时预报的需要,可以准确、有效地应用于大坝监测量的实时预报。     

基于互信息量与BP神经网络的中长期径流预报方法研究

针对中长期径流预报因子的选择问题,采用互信息量方法筛选预报模型输入因子,在BP神经网络模型中,分别用均方误差和互信息量作为目标函数,衡量因子复合相关关系,优化选择最终预报因子并应用于碧流河汛期径流预报中。结果表明,基于互信息量筛选的预报因子与BP神经网络模型相结合,可有效识别多个预报因子与预报量间的复合相关性,对中长期径流预报因子的选择有很好参考价值。     

偏最小二乘回归神经网络的矿坑涌水量预测

影响矿坑充水的因素多且复杂,矿坑涌水量预测模型主要考虑降水、地表水、引水灌溉等影响因素,因变量和自变量的关系比较复杂。将偏最小二乘回归与神经网络耦合,建立了矿坑涌水预报模型。模型将自变量利用偏最小二乘回归处理,提取对因变量影响强的成分,既可以克服变量之间的相关性问题,又可以降低神经网络的输入维数,并能较好地解决非线性问题,提高了模型的学习能力和表达能力。以河南鹤壁八矿涌水量为例,建立了基于偏最小二乘回归和神经网络耦合的矿坑涌水量预测模型。计算验证表明,该类模型具有较高的预报精度和推广应用价值。     

基于进化神经网络混凝土大坝变形预测

根据丰满大坝多年变形观测数据,建立了基于进化神经网络混凝土大坝变形预测方法。经典的BP神经网络的缺陷在于收敛速度慢和泛化能力弱等特性。与普通的多元回归方法和传统的BP神经网络相比,采用遗传算法训练的人工神经网络预测模型预报大坝的变形具有精度高和全局收敛的特点。在丰满大坝工程实际应用表明,所建立的基于进化神经网络混凝土大坝变形预报方法与广泛采用的统计方法相比,可以显著提高大坝变形预报精度。     

基于神经网络的混沌时间序列预测

应用混沌方法对时间序列观测数据进行处理,计算出最大lyapunov指数,得到最大可预报时间尺度。在此基础上,建立人工神经网络预测预报混沌时间序列的模型。结合实例,对该预测方法进行了计算验证。     

岩土边坡稳定性预报的人工神经网络方法

阐述了经典边坡稳定分析方法的局限性,综合考虑了影响边坡稳定性的因素,建立基于人工神经网络的边坡稳定性预报方法。采用遗传算法优化神经网络的结构,以提高其非线性映射能力和泛化能力,从而,提高预报准确度。基于已有的工程实例训练所建立的神经网络,并对新的边坡稳定性问题进行了预报,预报结果表明,所建立的边坡稳定性预报方法具有较高的预报准确度。     

基于人工神经网络的地裂缝危险性评价系统

现代地裂缝在世界许多国家普遍存在, 已成为当今世界范围的主要地质灾害之一。利用地理信息系统 (GIS)与人工神经网络 (ANN)耦合技术建立了地裂缝灾情非线性模拟评价系统。作者在分析地裂缝灾害成因的基础上, 利用地理信息系统 (GIS)的空间分析功能, 建立了构造、地下水开采、地层和地貌 4个地学信息专题层图; 采用人工神经网络 (ANN)这一以工程技术手段模拟人脑神经网络的结构和功能特征的技术系统, 建立了地裂缝灾害危险性非线性模拟评价模型, 开发研制了危险性评价系统, 进而对榆次地裂缝灾害危险性进行了非线性模拟评价, 将研究区按危险性系数进行了分区, 为榆次城建、环保和国土规划等部门的正确决策提供了重要的科学依据。     

人工神经网络在矿井构造定量评价中的应用

探讨了矿井构造定量评价的人工神经网络方法, 结合东坡井田实际, 重点讨论了 BP模型的输入层、隐含层和输出层的构置和优选等问题, 并使用有序地质量最优分割方法和插值法得到学习样本, 经过学习样本的训练, 对未知单元进行评价取得了良好的效果。     

基于人工神经网络模型的岩石特性预测

近年来,软计算技术被用作替代的统计工具。如人工神经网络（ANN）被用于开发预测模型来估计所需的参数。在本研究中,通过利用冲击钻进过程中的一些钻进参数（气压、推力、钻头直径、穿透率）和所产生的声级,建立了预测岩石性质的神经网络模型。在实验室中所产生的数据,用于开发预测岩石特性（如单轴抗压强度、耐磨性、抗拉强度和施密特回弹数）的神经网络模型,并使用各种预测性能指标对所建模型进行检验,结果表明人工神经网络模型适用于岩石性质的预测。     

基于进化神经网络的参考作物腾发量预测

利用遗传算法的全局空间寻优功能和BP网络映射能力强的优点,建立了以遗传算法确定最优网络结构的进化神经网络(GA-ANN)模型,用来预测参考作物腾发量(ET₀).设计多组数字实验处理,研究了输入因子间相关性对模型预测准确性的影响,并验证了最优网络模型结构,即预测ET₀的理想GA-ANN模型中以日平均气温、日照时数及日序数为输入因子.实例分析表明,该模型克服了BP网络输入层、隐含层节点确定的盲目性,适应性强,精度高,可用于ET₀预测.     

基于人工神经网络的砂土液化势评价

本文利用静力触探（ＣＰＴ）场地液化数据,建立了液化势判定的反向传播神经网络模型,研究表明,同传统方法相比,人工神经网络方法在判别砂土液化势方面是可行的。     

人工神经网络在铀矿测井解释中的应用

本文探讨了运用人工神经网络方法完成铀矿测井解释任务的有关问题。采用了改进的BP算法，提高了网络收敛速度，优化了网络结构。研究使用了一种基于统计的学习样本生成方法，提高了样本的质量。实际应用网络进行岩性识别和孔隙度预测，取得了令人满意的结果。