基于模糊对向传播神经网络的水库径流预报

结合模糊对向传播神经网络分类灵活、算法简练的优点,提出水库径流预报的模糊对向传播神经网络模型,并用该模型对水库径流量进行预报,结合滦河下游水库进行了实例研究。     

基于GA-SVR的中长期径流预报

【目的】将遗传算法（GA）与支持向量机回归（SVR）2种算法结合,构建GA-SVR模型,并采用该模型对径流进行预报,为制定防洪抗旱与水资源调度方案提供依据。【方法】以陕西府谷县黄甫川水文站1979-2003年实测资料作为拟合样本,2004-2008年资料作为检验样本,选取降水量、蒸发量为输入量,径流为输出量,通过GA优化SVR的结构和参数,建立GA-SVR预报模型,进而进行径流预报,同时与基于误差反向传播算法的人工神经网络（BP-ANN）、投影寻踪回归（PPR）模型的预报结果进行对比分析。【结果】应用GA-SVR、BP-ANN、PPR 3个模型在径流拟合阶段的预报精度较检验阶段有所下降,但是预报精度均达到了乙级水平,其中以GA-SVR的预报精度最高,效果最好。【结论】GA-SVR模型实现了SVR参数自动化选取,较好地解决了高度非线性、小样本、过学习等问题,模型可行有效,为径流预报提供了一种新途径。     

雨量站分布不均匀流域的降雨径流预报人工神经网络模型

为解决传统方法难以可靠预报雨量站分布不均匀流域的次降雨径流量这一水文预报难题 ,探讨了人工神经网络模型用于该类水文预报问题的可能性。实例研究表明 ,以次暴雨量及其前期影响雨量为输入、次暴雨径流总量 (净雨量 )为输出的 BP网络模型 ,预报的相对误差比蓄满产流模型预报的相对误差平均低 9.2 % ,这说明 ,人工神经网络模型可作为雨量站分布不均匀等雨量观测存在系统偏差或不足流域的降雨径流预报模型。     

基于L-M算法的BP神经网络在大坝安全监控预报中的应用

为克服BP神经网络收敛速度缓慢的缺陷,以L-M算法代替梯度下降法训练网络.建立了基于L-M算法的大坝安全监控整体L-M模型和逐一L-M模型,并与快速BP模型进行对比.应用实例研究表明:整体L-M模型和逐一L-M模型的预测效果及训练速度均显著优于快速BP模型,逐一L-M模型的预测精度及泛化能力均优于整体L-M模型,且预报时间短,可以用于大坝监控的实时预报.     

基于Marr小波在水文中的应用

利用小波分析的时域、频域多分辨功能,以松花江流域哈尔滨站83a的年径流量为例,通过Marr小波变换系数图,得出不同的水文周期和径流量异常的具体时间及丰、枯交替变化过程。从而为水文系统中、长期预测提供背景分析资料及依据。     

基于EEMD分解与BOA算法优化神经网络的密云水库大阁水文站径流预测

利用R/S分析法研究密云水库潮河流域大阁水文站1969-2013年的径流数据的变化趋势，以BP神经网络为背景，EEMD分解为辅助，建立分解-重构-预测的组合模型对月径流序列进行预测，利用蝴蝶算法（BOA）优化组合模型，综合得到最优预测模型。结果表明，大阁站年、月径流序列均呈现下降趋势；对月径流序列预测，BPNN预报合格率为60.0%，不能用于预报作业，但可作为参考使用（MAE=0.406，RMSE=0.539，MAPE=0.349 7）；引入BOA算法优化BP网络参数，得到EEMD-BOA-BP模型预报合格率为83.3%，可以用于预报作业（MAE=0.257，RMSE=0.347，MAPE=0.219 5）。通过EEMD分解得到分解-重构-预测组合模型对提高模型精度有一定的作用，同时在组合模型中引入优化算法能进一步提高模型精度。     

基于小波神经与随机分析的径流预测

【目的】分析水文不确定性因素对径流预测的影响,提高中长期水文预报方法模拟预测结果的精度。【方法】将小波分析(WA)、人工神经网络(ANN)和随机分析联合使用建立径流预测模型,即在小波分析(WA)揭示流量时频特性的基础上,将径流原序列分为高频部分和低频部分,然后利用人工神经网络(ANN)对低频部分进行模拟预测,利用随机分析对高频部分进行分析,最后将各部分结果叠加作为最终预测结果。将所建立的径流预测模型用于渠江二级支流后河的径流预测,并与传统BP人工神经网络方法的预测结果进行对比。【结果】根据《水文情报预报规范》,以预测值的相对误差小于10%为标准,传统BP人工神经网络预测结果合格率为46.67%,而基于小波神经与随机分析的径流预测模型在正常水文年模拟预测结果的合格率为73.33%。【结论】基于小波与随机分析的径流模型预测精度好、合格率高,能得到更好的复杂水文条件下的径流预测值。     

基于遗传程序设计的产流预报模型

产流预报模型是洪水预报的基础,为了提高产流预报精度,将遗传程序引入降水、径流关系回归模型中。遗传程序能够通过自身演化寻找因果变量之间的回归关系,自动形成函数表达式,比传统方法有很大的灵活性,不必事先选定具体的数学表达式。将该预报模型应用于陡河水库的径流预报,并同传统线性回归方法进行比较,结果表明:基于遗传程序设计的产流预报模型适应性强,拟合精度高,适合解决非线性问题,为径流预报提供了新方法。     

基于CEEMD-LSSVM-NNBR模型中长期入库径流模拟

为提高中长期径流模拟精度,提出使用完备总体经验模态分解(CEEMD)产生更低噪信号作为模拟模型输入。应用CEEMD方法对径流序列作信号分解,时间序列被分解为若干子序列,每一子序列通过最小二乘支持向量机(LSSVM)模型分别模拟,之后将每个子序列模拟结果重构以获得最终径流模拟结果。以石头峡水库入库径流模拟为例,试验结果表明,与LSSVM模型相比,CEEMD-LSSVM模型可提高水库汛期入库径流模拟精度。对于整体序列和汛期序列,其纳什效率系数、平均相对误差和均方根误差模拟效果均明显提高;但在枯水期模拟精度不理想,主要由于枯水期径流量数值波动较小、序列平缓所致。因此,CEEMD方法对于汛期径流序列分解更具优势,对枯水期径流序列分解效果有待提高。将适用于枯水期径流模拟的最近邻抽样回归模型(NNBR)与CEEMD-LSSVM结合成组合模型CEEMD-LSSVM-NNBR,可用于全年入库径流模拟。     

年径流序列趋势识别研究

【目的】采用修正Mann-Kendal法,进行年径流序列的趋势识别,以期为陕北地区的水资源利用与管理提供依据。【方法】采用Mann-Kendal法,对年径流序列的统计变量和方差、秩次序列的显著自相关系数、年径流序列的方差修正因子和修正方差及修正统计量进行计算。依据陕北地区11个测站的年径流资料,采用传统的参数、非参数检验法和修正Mann-Kendall法,进行了年径流序列趋势识别的实例研究。【结果】神木站、刘家河站和枣园站的年径流序列存在显著的正自相关系数,绥德站和黄陵站的年径流序列存在显著的负自相关系数;神木站的年径流量呈现明显的下降趋势,绥德站、交口河站、刘家河站、志丹站、张村驿站、枣园站和黄陵站的年径流量略有下降趋势,吴旗站和安塞站的年径流量略有上升趋势,而杏河站的年径流量无明显变化。【结论】修正Mann-Kendall法充分考虑了序列相关性对趋势检验的影响,是年径流趋势识别的一种新途径。     

无站条件下BP神经网络年径流量预测模型研究

针对无监测站的河流断面的径流量预测难的问题,选取了有针对性的影响因子,采用人工神经网络的BP改进算法—自适应调节学习速率算法,以Matlab神经网络工具箱为工具,以辽河干流铁岭站为假想对象,建立了无站条件下年径流量预测模型,模型训练48次误差达到要求,以2004～2006年3年实测资料作为检验样本进行仿真,验证模型的精度。仿真结果表明:3年预测结果全部满足要求,说明该模型可用于河流任一断面年径流量的预测。     

人工神经网络在水产科学中的应用

人工神经网络（ANN）是一种动态信息（处理）系统，它具有联想记忆、自组织、自适应、自学习和容错等优异的特性而得到广泛应用。ANN已广泛地应用于诸如模式识别、拟合、分类、决策和预测等领域，而水产科学有很多涉及上述技术的问题。本文在简述ANN结构和工作原理的基础上，讨论分析了利用BP神经网络模型、自组织特性神经网络或Kohonen神经网络模型进行分类、模式识别、图像处理和鉴别、预测与评价、系统模拟以及最优化和多目标决策等方面的应用实例。从神经网络模型建模和数据预处理原理研究了应用人工神经网络技术建模的局限性和缺陷。并明确指出：若不采用检验样本监控学习过程，对于一定数量的样本数据，过大的神经网络结构将不可避免地引起对样本数据的过拟合，从而得到了不能正确反映样本数据结构和内在特性和神经网络模型，而可能是对样本数据的噪声的反映。本文最后探讨了人工神经网络技术与模糊数学、逻辑控制和拓扑学以及非确定性原理相结合的应用趋势。     

人工神经网络在水产科学中的应用

人工神经网络（ANN）是一种动态信息（处理）系统，它具有联想记忆、自组织、自适应、自学习和容错等优异的特性而得到广泛应用。ANN已广泛地应用于诸如模式识别、拟合、分类、决策和预测等领域，而水产科学有很多涉及上述技术的问题。本文在简述ANN结构和工作原理的基础上，讨论分析了利用BP神经网络模型、自组织特性神经网络或Kohonen神经网络模型进行分类、模式识别、图像处理和鉴别、预测与评价、系统模拟以及最优化和多目标决策等方面的应用实例。从神经网络模型建模和数据预处理原理研究了应用人工神经网络技术建模的局限性和缺陷。并明确指出：若不采用检验样本监控学习过程，对于一定数量的样本数据，过大的神经网络结构将不可避免地引起对样本数据的过拟合，从而得到了不能正确反映样本数据结构和内在特性和神经网络模型，而可能是对样本数据的噪声的反映。本文最后探讨了人工神经网络技术与模糊数学、逻辑控制和拓扑学以及非确定性原理相结合的应用趋势。     

水文时间序列的系统自记忆模式研究

将“系统自记忆模式”引入到水文时间序列预测中,推导了描述水文系统动力特性的微分方程,建立了水文时间序列预测的系统自记忆预测模型,并以黄河上游贵德水文站1919~1997年径流资料对该模型进行了验证。结果表明,该模型具有预测精度高,稳定性好,观测误差对预测值影响小的优点。     

江河源区的生态环境地位初探

为了客观评价江河源区生态环境的重要性,提出了“生态环境地位”的概念,并从区内、青藏高原、黄河与长江流域3方面进行了分析。结果表明,江河源区是青藏高原的重要组成部分,其独特的生态环境是当地生物和居民赖以生存的基础,同时参与青藏高原独特的水文循环及对全球气候和环境的影响;黄河与长江流域的水资源分布受青藏高原的影响,江河源区对黄河流域的贡献主要体现在水量上(48.3%),而对其泥沙及长江流域的水量(1.8%)和泥沙量的输出影响均较小。因此,应正确对待江河源区的生态环境地位,不应夸大局部作用,仍需关注其独特性与变化。     

基于遗传算法的BP网络在小流域侵蚀量预测中的应用

人工神经网络可用于流域水土流失的预测.针对BP神经网络收敛速度慢及容易陷入局部最优解的缺点,设计了基于遗传算法(GA)的优化BP神经网络.利用遗传算法特有优势,为BP网络的初始权值和阈值搜索全局最优解空间,经过BP算法迭代训练,进行预测.依据黄土高原沟壑区杨家沟小流域多年径流与泥沙的实测数据,对创建的侵蚀量模型进行训练和预测,取得了较高的预测精度和较快的收敛速度.     

Artificial neural network models of the rumen fermentation pattern in dairy cattle

The objectives of this study were: (1) to predict the rumen fermentation pattern from milk fatty acids using a machine learning technique, i.e. artificial neural networks (ANN) combined with feature selection and (2) to compare the prediction accuracy of the resulting model to that of a statistical multi-linear regression model, based on odd and branched chain milk fatty acids. Data were collected from 10 experiments with rumen fistulated dairy cows, resulting in a dataset of 138 observations. Feature selection was based on correlation and principal component analysis, and background physiological knowledge. Different ANN architectures and training algorithms were assessed. The evaluation of the model performance, based on the test dataset, showed a root mean square prediction error, expressed relative to the observed mean, of 2.65%, 7.67% and 7.61% of the observed mean for acetate, propionate and butyrate, respectively. Compared to a multi-linear regression model, the ANN revealed not to perform significantly better. However, the results confirm that milk fatty acids have great potential to predict molar proportions of individual volatile fatty acids in the rumen.     

基于WEPP的黄土丘陵区不同坡长条件下坡面土壤侵蚀预测

为了更全面地评价WEPP模型在我国的适用性,该文通过建立模型数据库,利用WEPP分别模拟了坡长为10、20、30和40 m的径流量和土壤侵蚀量,并用实测径流和侵蚀资料进行对比分析。结果表明,在10、20、30和40 m 4个坡长条件下,WEPP模型对降雨、每年和多年平均径流量模拟的Nash-Sutcliffe有效性(ME)分别为0.915、0.879和-0.056,对单场降雨、每年和多年平均土壤侵蚀量模拟的ME分别为0.853、0.758和-0.456,多年平均的ME为负值可能是由小样本计算造成的。WEPP模型对单场降雨和每年径流量和侵蚀量模拟效果较好。尽管WEPP模型对多年平均径流量和土壤侵蚀量模拟效果较差,但模型模拟的多年径流量和土壤侵蚀量与实测值的多年径流量和土壤侵蚀量的最大相对误差分别为7.90%和29.20%,表明WEPP模型对多年径流量和侵蚀量的模拟可满足要求。径流量模拟值随坡长增加的变化和实测值相比不够敏感;而土壤侵蚀量模拟值随坡长增加的变化和实测值相比过于敏感。