基于优化算法的新安江模型参数的估计

【目的】解决传统优化算法在新安江模型参数估计中存在的早熟、收敛速度慢和易陷入局部最优等问题。【方法】在标准PSO算法的基础上,引入小生境和交叉选择算子,对寻优过程中粒子的个体历史最好位置进行多样化处理,提出基于小生境和交叉选择算子的粒子群算法(NCSPSO),建立基于NCSPSO算法的新安江模型参数估计数学模型,并给出具体求解步骤。最后将该方法在具体流域的洪水预报中进行应用。【结果】NCSPSO算法计算时间短,参数估计精度大大提高,且预报结果均达到了规范要求。【结论】NCSPSO算法为新安江模型参数估计提供了一条新途径。     

变权组合预测模型在洪水预报中的应用

【目的】研究洪水预报的多模型组合预报模式,丰富洪水预报的方式方法。【方法】将最优非负可变加权系数的组合预测方法应用于洪水预报中,分别建立最优加权组合预测模型和最优非负可变加权系数组合预测模型,以新安江模型、萨克拉门托模型、水箱模型和陕北模型为例进行组合预报,并用东洋河1982年8月的一场洪水实测流量值对2种组合模型进行了实例验证和比较。【结果】最优非负可变加权系数组合预测模型的3种误差指标均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别为18.394 0,51.317 2和0.131 4,明显小于最优加权组合预测模型的28.110 7,108.816 7和0.268 9,且前者的确定性系数(DC)为0.961 3,明显大于后者的0.909 5,表明应用最优非负可变加权系数组合预测模型的预测结果优于定权重的最优加权组合预测模型的预测结果。【结论】考虑变权重的最优组合预测能进一步提高洪水预测的精度。     

最小二乘支持向量机在洪水预报中的应用

由于洪水这种自然灾害严重影响着正常的农业生产,该研究提出基于最小二乘支持向量机(LS-SVM)的洪水预报方法。利用LS-SVM泛化能力强、收敛速度快、预测精度高的特性,结合四川省自贡市某水文站实测水位和流量的数据,建立了单输入单输出(水位—水位)和双输入单输出(水位和流量—水位)2种洪水预报模型。结果表明:这2种模型都可以满足洪水预报精度的要求,并且双输入单输出(水位和流量—水位)模型的预报精度比单输入单输出(水位—水位)模型的预报精度高。     

基于DS证据理论的多模型洪水预报方案优选

【目的】研究基于DS证据理论的多模型洪水预报方案优选模式,以丰富多模型洪水预报方法。【方法】建立了多模型洪水预报情形下的优选指标体系,运用基于证据可信度的DS证据理论合成方法进行洪水预报方案的优选,采用新安江模型、萨克拉门托模型、水箱模型和陕北模型进行多模型洪水预报的优选,并以东洋河为例进行模拟验证。【结果】在对东洋河洪水进行预报时,新安江模型、萨克拉门托模型、水箱模型和陕北模型的可信度(m(Mi))分别为0.758 7,0.906 6,0.838 4和0.859 1,多模型洪水预报方案由优到劣的次序依次为:萨克拉门托模型、陕北模型、水箱模型、新安江模型,因此认为采用萨克拉门托模型对应的预报方案为最优预报方案。【结论】基于DS证据理论的多模型洪水预报方案优选可以为决策者提供更为科学的决策,进一步丰富和完善了多模型洪水预报方法。     

基于改进BP网络模型的洪水预报研究

针对目前神经网络应用于洪水预报时存在的不足,引入遗传算法、模糊神经网络对BP网络模型进行了改进,建立了基于改进BP网络模型的洪水预报模型,并将改进的BP网络模型应用于文峪河洪水过程的预报。预测结果表明,过程预报合格率达93．54%。达到了水文预报规范的要求;与传统BP网络相比,改进算法可提高洪峰的预报精度。     

基于改进径向基函数的降雨量短期预测研究

为提高短期降水量预测的精度,尤其是汛期降水量的准确估计对防洪减灾以及水资源管理都具有很重要的指导意义。将具有较强非线性映射能力的人工神经网络技术用于汛期降水量预测,更符合降水量的随机相关特征,能切实提高其预测精度。将基于密度参数改进传统K-均值算法与径向基函数神经网络(radial basis function,RBF)耦合,提出了一种新的短期降雨量预报模型。并将所构建的模型应用于黑龙江省双鸭山市汛期月降雨量预报中进行验证。RBF神经网络是一种泛化能力较强的前馈型神经网络模型;密度参数可以通过寻找聚类中心至样本平均距离区域内样本的最优密度,使K-均值算法确定的RBF神经网络基函数中心减少波动,消除标准K-均值算法对初始聚类中心的敏感性,提高RBF网络的逼近能力和网络中心的搜索速度。研究结果表明:基于改进径向基函数的降雨预报模型对于预见期2010年、2011年和2012年的汛期(6~9月)降雨量的计算平均相对误差为10.81%,确定性系数为0.95,预报精度比标准K-均值算法和BP神经网络两种模型的计算结果都有所提高。本研究确定的径向基函数能够更好地描述研究区域汛期月降雨量间的映射关系,与标准K-均值算法和BP神经网络两种模型相比,除预报精度有所提高外,其收敛速度更快,这表明本方法能对短期降水预报提供更高的预报精度。     

基于BP神经网络的闽江上游洪水预报

洪水预报是水文科学中的难题,尤其是多分支河流的洪水演进和预报问题更是水文预报的难点。研究应用VB 6.0编程技术,实现人工神经网络BP算法的程序化,并建立闽江上游洪水过程预报的反向传播神经网络模型。经检验,洪水预测精度较好,结果令人满意,为闽江的洪水预报及调度工作提供新的思路和依据。     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO‐BP算法在洪水预测应用中建立预测模型。以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性。采用改进的PSO‐BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值。通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率。     

渭河下游洪水预报的人工神经网络模型研究

简述了江河防洪的重要性和洪水预报在江河防洪决策中的作用 ,建立了渭河下游干流临潼断面和华县断面洪峰流量预报的人工神经网络 (ANN)模型。模型评定和检验表明 ,ANN模型的预报效果比传统的统计相关模型有明显的改善 ,而且有利于模型评定与检验精度间的合理协调 ,以及洪水预报与防洪决策的智能化管理。     

基于改进遗传算法的河流水质模型多参数识别

结合多种群遗传算法和自适应遗传算法,提出基于多种群-自适应遗传算法(MPAGA)水质模型多参数识别方法,实现对河流水质模型参数断面平均流速u、河流离散系数D和污染物降解系数K识别和估计。利用河流示踪剂实验监测数据,分别对美国特拉基河3个不同流量河段作水质模型多参数识别和估计。结果表明,与传统遗传算法(TGA)相比,MPAGA算法对3种不同流量河段水质模型参数估计结果准确和可靠。基于MPAGA水质模型多参数识别方法和分河段水质模型参数估计结果可提高河流水污染预测精度,判定河流水污染危险区域,为保障工农业用水安全提供重要科学依据和技术支撑。