最小二乘支持向量机模型在径流预报中的应用

为解决径流中长期预报模型精度较低的问题,提出了一种基于混沌时间序列的最小二乘支持向量机预测方法,该方法依据相空间重构技术以及最小二乘支持向量机模型(以下简称LS_SVM)。利用该模型对黄河三门峡1919-1989年的71年实测年径流量进行预测。经过反复计算分析表明LS_SVM模型在径流中的应用具有较快的计算速度、较好的泛化能力以及较高的预测精度。     

改进的偏最小二乘法在分析谐波源中的应用

在偏最小二乘回归建模中有时由于自变量中含有大量与因变量无关的信息, 这些与因变量无关的信息被提取成具有大方差和小相关系数的成分,使得入选的成分虽然具有大的协方差, 但是仍然对因变量缺乏解释能力。为了克服这一缺点,应用改进的偏最小二乘法进行回归建模,介绍了该方法的改进原理及步骤,并将该方法应用于谐波定量分析中,仿真示例说明了该方法的有效性及优越性。     

潇河冬小麦水肥生产函数偏最小二乘回归建模及分析

在最小二乘回归失效的情况下,将偏最小二乘回归应用于山西潇河灌溉试验站冬小麦水肥生产函数建模。该方法可以克服多重相关引起的危害,建立合理的、具有较强的稳定性和预测能力的水、氮、磷生产函数模型。由模型分析可知,水、氯、磷三因素都具有明显的增产效应。水肥耦合效应表现为水肥对产量的协同作用和氮、磷之间的竞争关系。随着作物耗水量的增加,氮、磷的利用效率得到提高;而增加氮、磷投入亦能提高水分利用效率。此外,还提出了氮、磷有效组合区域的概念。     

基于偏最小二乘回归的土壤含水量预测模型研究

土壤水分是直接影响作物产量的重要因素之一,因此科学地预测土壤含水量对充分利用土壤水资源具有十分重要的意义.土壤含水量受到多重气象因素的影响,各气象因子间往往存在多重相关性, 从而导致传统的多元回归模型(基于最小二乘法)的失真,丧失稳健性,预测精度降低.为此,采用偏最小二乘回归建模,借助主成分分析与典型相关分析的思路,采用成分提取的方法,有效地解决了各气象因子之间的多重相关问题,建立了土壤含水量预报模型,并对模型进行了辅助分析,得出了各影响因子的评价结果排序,同时模型的拟合和预报精度均较好.     

偏最小二乘法在西门塔尔牛体尺估测中的应用

偏最小二乘法能有效解决多元回归分析中变量的多重共线性问题.选用牛体重、体高两个参数做自变量估测牛的胸围和腹围,应用所建立的线性模型对184头西门塔尔牛的数据进行误差分析,腹围平均相对误差为3.742%,胸围平均相对误差为4.385%.证明所得偏最小二乘回归模型具有较好的精度,模型能应用到种牛的选育过程中,具有较强的实用性.     

偏最小二乘回归法在寒地黑土区水稻非充分灌溉分析中的应用

利用测坑精确控水的优势,2009年对寒地黑土区水稻进行了非充分灌溉试验研究.运用解释变量个数多、样本量少的偏最小二乘回归法建立非充分灌溉水稻产量的预测模型,消除了因子间多重相关性的影响,很好地解释因变量.研究分析表明:结果比较合理,并与实际相符,这为水稻非充分灌溉分析的研究提供了新的思路和研究方法.     

基于偏最小二乘回归的投影寻踪耦合模型在参考作物腾发量预测中的应用

根据朝阳气象站的实测气象数据(温度、湿度、日照时数、风速、蒸发量、降水量),提出基于偏最小二乘回归的投影寻踪耦合模型用于预测朝阳地区参考作物滕发量.偏最小二乘回归方法能够有效地处理自变量间多重线性相关问题,但对处理因变量与自变量间复杂的非线性问题较差,而投影寻踪回归模型有效解决了非线性问题.把这2种方法结合在一起,建立了基于偏最小二乘回归的投影寻踪耦合模型,用于该地区参考作物滕发量的预测.并将耦合模型预测的ET0结果与Penman-Monteith公式计算的ET0结果进行比较,该耦合模型预测精度较高.     

河网洪水预报的衰减二乘自回归校正应用

洪水预报是河网地区防洪排涝规划、洪水调度的重要组成部分,而水动力模型是其计算基础。由于模型受等多种因素的制约和影响,水动力模拟计算的水位有时与实测水位存在较大的误差,需要用一定的技术方法来校正。本文通过对这种误差序列分析后,利用自回归模型结合衰减记忆递推最小二乘法（衰减二乘）更新参数,并利用实测资料进行了相应的验证。对研究区的三场洪水进行模拟,计算分析表明,所采用的校正技术能有效提高计算精度,可以应用于实际河网洪水预报中。     

年径流预报的非线性混合回归模型研究

径流中长期预报一直以来都是人们关注的热点研究问题,常用的时间序列法、多元回归分析法等都存在预报精度偏差过大的问题。以年径流作为自回归因子,降水和气温作为多元回归因子,建立了年径流预测的非线性混合回归模型,并利用BP神经网络进行模型求解。戴营水文站的年径流预报结果表明,与自回归模型、多元回归模型、BP网络模型和线性混合回归模型相比较,非线性混合回归模型具有较高的预报精度。     

基于差分模型和最小二乘法的组合预测模型在实时洪水预报中的应用

洪水预报系统因其动态性、不确定性,加大了洪水预报的难度,一直以来许多水文工作者致力于洪水预报的研究工作。最优组合预测模型具有最大信息利用原则和最小均方误差原则的特点,因而被广泛地运用在预报上。在洪水预报中,递推最小二乘算法是对洪水预报模型的参数进行校正的一种实时洪水预报方法。本文分析了最优加权组合预测模型的基本原理,提出了差分模型和衰减记忆的最小二乘递推算法的组合预测模型,并将该模型应用到实时洪水预报中。实例应用表明,所建立的预测模型具有较高精度和较好稳定性的特点,为实时洪水预报提供了一种新的途径。     

基于径流分类的日径流量预测神经网络模型

利用聚类分析法将径流序列分解为若干个子径流序列 ,对这些子径流序列分别建立局部神经网络模型 ,而后把这些局部模型合并成一个混合模型。当新的信息进入该模型时 ,首先用分类器判别其类别 ,以确定用混合模型中的何种局部模型加以模拟。通过与不加分类的总体神经网络模型的模拟结果加以对比 ,结果表明这种基于径流分类的降雨 -径流模型表现出了更优良的性能 ,可以较大地提高径流模拟精度。     

多元线性回归和神经网络在水库调度中的应用比较研究

采用多元线性回归和改进人工神经网络算法分别建立水库多目标调度函数，并进行实例计算验证。通过比较分析，表明人工神经网络的非线性映射能力能够更好地反映水库调度中多个自变量和因变量之间的复杂关系，具有较高的模拟精度和较好的可行性，且应用简便。     

基于BP神经网络的雨雪混合径流预

通过分析暴雨融雪混合径流的物理成因,确定其主要影响因子,然后分析雨雪混合径流主要影响因子对径流的影响,建立一个基于BP神经网络雨雪混合径流预报模型。并利用新疆喀浪古尔河流域暴雨融雪径流资料对模型进行仿真训练实验和验证,通过结果比较分析,在一定程度上提高了模型预报精度,取得了一定成效。     

基于小波-BP神经网络的贝叶斯概率组合预测模型及其应用

采用一元线性回归模型模拟贝叶斯分析的先验分布和似然函数,建立了基于小波-BP神经网络的贝叶斯概率组合预测模型,在结合区域的水文特性对数据进行预处理的基础上,将其应用于老挝Namngum水库的月径流量预测中,结果表明,该方法较单一BP神经网络模型和小波-BP神经网络模型而言,有效的提高了月径流量的预测精度;同时相对于确定性水文预报方法而言,基于小波-BP神经网络的贝叶斯概率组合预测模型定量地、以分布函数形式描述水文预报的不确定度,能向用户提供更多、更全面的信息,为决策提供更有价值的技术支持。     

递归神经网络在降雨量预测中的应用研究

递归神经网络(RNN)模型近年来在许多任务上表现出了优良的性能。运用具有长短期记忆(LSTM)单元的递归神经网络构建模型和通过时间反向传播(BPTT)算法更新网络权重解决长期降雨量的预测问题,较好地解决了高维数、非线性和局部极小问题。选取了前馈神经网络模型(FNN)、小波神经网络(WNN)模型和整合移动平均自回归(ARIMA)模型3种模型进行验证比较。仿真结果表明,递归神经网络模型优于其他模型,训练结果与实际值接近,预测精度较高。预测结果为农业用水管理、合理制定灌溉制度提供了重要的科学依据。     

基于海洋捕食者算法优化的长短期记忆神经网络径流预测

为提高径流预测精度,研究提出海洋捕食者算法(MPA)与长短期记忆(LSTM)神经网络相结合的径流预测方法.通过6个仿真函数对MPA、粒子群优化(PSO)算法进行测试,利用MPA优化LSTM隐藏层神经元数、训练次数等关键参数,基于主成分分析(PCA)降维和不降维处理分别建立PCA-MPA-LSTM、MPA-LSTM径流预...     

蚁群神经网络用于农村电力短期负荷预测

为了进一步提高农村电力系统短期负荷预测模型的性能,实现准确与快速预测农村电力系统负荷的目的,将蚁群算法(ACA)作为BP神经网络的学习算法,构造了一种蚁群神经网络(ACAN)预测模型。对某农村地区电力系统短期负荷预测的计算实例表明,基于蚁群神经网络的负荷预测方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的效果。     

基于TVF-EMD与LSTM神经网络耦合的月径流预测研究

为了有效提高非平稳非线性径流序列的预测精度,采用具有自适应序列特征的时变滤波经验模态分解(TVF-EMD)与长短期记忆神经网络(LSTM)耦合,构成TVF-EMD-LSTM预测模型.首先利用TVF-EMD方法自适应地将径流序列分解为高频序列和低频序列;进而,利用LSTM神经网络对分解后的序列分别预测;最终,将预测结果加...     

基于Lasso回归和BP神经网络的蔬菜短期价格预测组合模型研究

蔬菜是居民生活饮食的重要组成部分,蔬菜价格预测存在着价格波动幅度大、影响因素复杂多样、精度不高等难点。本研究以黄瓜为研究对象,分析了影响黄瓜价格的供给、需求、流通等因素,引入Lasso回归模型对影响因素进行筛选,获得12项关联度较大的因素。在此基础上,构建了一种基于影响因素的Lasso回归方法与BP神经网络相结合的组合模型（L-BPNN）,开展黄瓜短期价格预测,并与Lasso回归模型、BP神经网络模型、RBF神经网络模型等回归分析和智能分析方法等进行了对比验证研究。结果表明：使用L-BPNN模型预测黄瓜价格,其平均相对误差最小,仅为0.66%,比Lasso回归模型、BP神经网络模型和RBF神经网络模型分别低64.52%、82.11%和86.2%,具有较高的预测精度。本研究结果实现了黄瓜的短期价格预测,也可推广到其他蔬菜品种,对于保障菜农收入、稳定蔬菜市场价格等具有重要意义。     

基于模糊神经网络的农村电力短期负荷预测

为提高负荷预测精度,提出了一种新的模糊神经网络短期负荷预测模型。该模型将模糊系统和神经网络的优点融合在一起,并利用小生境遗传算法优化模糊神经网络参数,提升网络运算性能。某农村地区电力短期负荷预测的计算结果表明,该方法具有较好的预测效果。