基于改进BP神经网络的水位流量关系拟合

水文测站需要精确的水位流量关系,这是一种非线性关系,用传统方法进行关系拟合会产生较大误差.利用神经网络对非线性系统处理的强大能力,基于附加动量、自适应学习率以及数值优化的改进BP神经网络方法,对水位流量关系进行了高精度函数逼近.首先,对改进BP神经网络算法进行了详细描述和分析;而后,通过实测水文数据的仿真计算研究,与现有最小二乘法、遗传算法等多种方法进行了对比,并进行水位流量关系曲线的绘制.仿真结果表明,相比目前已有的算法,采用改进BP算法可以达到更高的拟合精度,是一种有效的方法,能够满足水文测站对水位流量关系曲线拟合的要求.     

基于GA-BP神经网络的水轮机非线性建模方法研究

建立精确的水轮机模型是水轮机调节系统有效建模仿真的关键。运用基于遗传算法改进反向传播神经网络的GA-BP神经网络对水轮机工作特性进行非线性拟合建模。详细介绍了利用水轮机模型综合特性曲线与飞逸特性曲线获取水轮机流量特性与力矩特性样本数据的方法,并对基本样本数据进行补充延伸。结合BP神经网络与遗传算法两者优点构建了GA-BP神经网络,利用所得样本数据进行训练,获得了基于GA-BP神经网络的水轮机非线性模型,并与传统BP神经网络在水轮机流量特性和力矩特性拟合效果上进行对比试验。仿真结果验证了论文提出方法的可行性和优越性。     

基于BP神经网络的渠道无干扰量水方法

灌区量水是节约农业用水、灌区实行按方收费的重要手段。BP神经网络具有很强的非线性映射能力,可描述通过水工建筑的流量与上下游水位之间的函数关系。以渠道进水口上下游水位作为输入向量,以渠道流量作为输出向量,构建了3层神经网络模型。以江苏高邮灌区2012年一条斗渠的水位流量观测数据,应用Matlab神经网络工具箱构建模型,采用trainlm算法进行网络训练与检验。结果表明:模型能较好地反映影响因素与渠道流量之间的关系,计算精度较高,提出的基于BP神经网络的渠道无干扰量水方法简便可行,具有较广的应用前景。     

基于BP神经网络的水轮机综合特性建模仿真

针对目前对水轮机特性曲线数据处理方法精度不高,不能真实地反映水力机组在过渡过程的流量特性和力矩特性的问题,利用BP神经网络与Matlab相结合,对水轮机综合特性曲线进行建模仿真。由已知综合特性曲线结合边界控制点经神经网络训练获得低效区的流量延拓、力矩延拓和导叶浆叶协联关系仿真曲面。BP神经网络模型大大提高了水轮机综合特性曲线数据处理效率与精度,是研究水轮机控制系统的一种新的非线性建模仿真模型。     

与马斯京根汇流模型耦合的BP神经网络修正算法

为提高洪水预报的精度,提出一种BP神经网络耦合修正算法。该方法将水文模型预报的稳定性与神经网络预报的精确性相结合,应用实测流量资料与马斯京根汇流模型耦合进行单时段修正检验,对新安江模型计算的主河道各河段区间入流进行实时修正,并将实时修正的结果与二阶AR模型进行对比分析。通过实际流域验证,结果表明:改进BP耦合修正算法修正效果稳定,收敛迅速,在提高洪水预报精度的同时不损失预见期,实时修正效果整体优于二阶AR模型。     

联合收获机惯性分离室工艺参数优化——基于改进BP神经网络

为了确定各因素对惯性分离室的性能的影响,以及寻找最优的参数组合,提出了一种新的BP神经网络的改进方法,对联合收割机惯性分离室的吸运系统压力损失的实验数据进行了拟合,并与二次回归模型方法进行比较。结果表明,改进的BP神经网络的拟合精度明显优于二次回归的拟合精度;同时,通过BP神经网络的优化方法求取了4个参数的最优组合值,为惯性分离室的性能研究提供了一种新的方法。     

遗传程序在水位流量关系拟合中的

针对传统水位流量关系曲线拟合过程中存在精度不高的问题,应用遗传程序拟合水位流量关系。该方法能够通过演化计算自动寻找最优的模型结构,比起传统统计方法具有较大的灵活性和智能性,避免了预先假定具体数学表达式的不足。将基于遗传程序的水位流量关系模型同基于最小二乘法、遗传算法以及蚁群算法的模型进行详细比较,实例表明,基于遗传程序设计的水位流量关系模型适应性强,拟合精度最高,为水位流量关系拟合提供了新的有效方法。     

乐昌水位站水位流量关系计算检验

无实测流量资料的水文站要建立较高精度的水位～流量关系，可根据站点所在流域自然地理环境及地区综合性的水文特征，利用上、下游邻近水文测站多年实测洪峰流量资料求得面积比指数，进而推求洪峰流量。用该法对乐昌水位（二）站水位流量进行计算、验证分析，结果表明不论是采用上游参证放大或下游参证站缩小，所建立的曲线都在流速测精度范围内。     

遗传程序在水位流量关系拟合中的应用

针对传统水位流量关系曲线拟合过程中存在精度不高的问题,应用遗传程序拟合水位流量关系.该方法能够通过演化计算自动寻找最优的模型结构,比起传统统计方法具有较大的灵活性和智能性,避免了预先假定具体数学表达式的不足.将基于遗传程序的水位流量关系模型同基于最小二乘法、遗传算法以及蚁群算法的模型进行详细比较,实例表明,基于遗传程序设计的水位流量关系模型适应性强,拟合精度最高,为水位流量关系拟合提供了新的有效方法.     

混流式水轮机综合特性的Adaboost_LMBP集成神经网络模型

为提高基于模型综合特性曲线的混流式水轮机非线性模型精度,提出了一种适合描述水轮机综合特性的Adaboost _LMBP集成神经网络模型构建方法。该方法首先分别根据混流式水轮机单位力矩、单位流量特性数据,利用Levenberg -Marquardt算法反复训练出若干个BP神经网络弱学习器,然后采用Adaboost增强学习算法对全部BP神经网络弱学习器进行集成,最终构建出水轮机单位力矩、单位流量特性的Adaboost_LMBP集成神经网络模型。计算结果表明,相较于一般的神经网络模型,混流式水轮机综合特性的Adaboost_LMBP集成神经网络模型具有更高的拟合精度,更好的泛化性能,能够有效提升基于模型综合特性曲线的混流式水轮机非线性模型的计算精度。     

人民公社水利问答(七)

35.问:什么是水文测站?答:在河道上,进行水文测验所设立的站,叫水文测站。水文测站有以下几种:①水位站,观测河流水位的高低变化;②流量站,测量河里水量的大小;③流沙站,测定水中含有流沙多少;④水化学站,分析水中含有的成份;⑤水文试验站。36.问:什么是水位?答:水位就是表示水面位置的高低。它是以海面为标准来计算的,如黄河某处水位为大沽基面30米,就是它比大沽口海水面高出30米。37.问:什么是枯水位?答:河流或水库的水量,一年四季都在变化。降雨季节水量就多,不是降雨季节水量就少。一年之中有一段时期水位很低,叫做枯水位。38.问:什么是洪峰水位?     

基于遗忘因子和误差修正的水文实

在进行水文预报时，由于影响河道洪水的因素众多，常用的水文预报模型往往不符合实际水文系统的客观规律。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。利用洪水预报误差信息，对BP网络洪水实时预报校正模型与方法进行了探讨，提出了两种实时预报方法。第一：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的系统输入、输出数据之间的映射关系。第二：利用BP网络模型对误差的可识别性，将模型对输出变量的预报误差再次作为输出变量，对网络可能预报的误差进行实时修正。计算实例表明：以上两种方法提高了神经网络在水文领域的预报精度，给BP神经网络的实时预报方法提供了新的途径。     

水泵水轮机全特性的集成PSO_BP神经网络模型

为提高抽水蓄能调节系统仿真中水泵水轮机模型精度,提出了一种集成PSO_BP神经网络模型来描述水泵水轮机全特性。首先利用改进Suter变换对水泵水轮机全特性进行处理得到样本数据,然后采用PSO算法优化BP神经网络的初始权值和阈值,反复训练出若干个PSO_BP神经网络,最后将单个PSO_BP网络作为自适应Boosting集成算法的弱学习器,最终构建出水泵水轮机的集成神经网络模型。计算结果表明,与单个BP网络模型相比,该模型具有更好的拟合精度及泛化性能,为进一步研究抽水蓄能调节系统性能奠定了基础。     

河道洪水预测的BP网络模型及应用

针对长江中游螺山至汉口站洪水过程, 采用一种改进BP算法，初步建立了考虑区间入流的河道洪水预测的BP神经网络模型，利用该模型对汉口站1986～1987，1998～1999年汛期洪水进行了预报。结果表明，在延长预见期为5d的情况下，应用神经网络对长江中游汉口站流量进行预报是可行的。     

基于BA-BP开关磁阻电机电流分段建模研究

提出一种基于蝙蝠算法(BA)优化BP神经网络的方法,将该方法用于建立开关磁阻电机(SRM)的电流模型。针对BP神经网络存在的易陷入局部最优和收敛速度慢等缺点,利用BA算法快速寻优能力优化BP神经网络的初始阈值和权值,提高BP神经网络SRM建模精度。同时采用分段拟合法进一步提高建模精度。结果表明,基于BA优化后的BP神经网络具较高的建模精度,而采用的分段拟合建模法可进一步提高建模精度。     

基于改进BP神经网络的黑龙江农机总动力预测

BP神经网络在人工神经网络中起着至关重要的作用,通过分析标准BP神经网络的基本算法,指出标准BP算法的一些不足,并针对这些不足提出了以一种以相对误差作为误差传递信号的新的改进方法。经试验证明:该方法大大提高了BP神经网络预测结果的精度,同时这种新的改进思想也可以结合其他改进方法一起应用,以更大程度上地提高BP神经网络的运算速度和预测精度。     

采摘机器人自主采摘学习能力研究 —基于LM-BP神经网络

为了让采摘机器人更加快速和准确地识别目标水果的成熟度,提出了一种基于BP神经网络的自主学习方法。由于BP神经网络容易陷入局部最优值且训练效率较低,因此进行了改进,实现了LM-BP神经网络算法。测试结果表明:与BP神经网络算法相比,LM-BP神经网络算法训练学习速度更快,测试精度更高,能够满足采摘机器人对目标水果成熟度识别精度的要求,具有一定的应用价值。     

布吉河流域防洪调度的潮水补偿研

潮汐是影响沿海城市防洪调度的一个重要因素。沿海城市的河流大多属于感潮河段，受潮水顶托影响，感潮河段的水位变化是潮水和洪水共同作用的结果，水位流量关系复杂。以深圳市布吉河流域的防洪调度为背景，在各种水文资料严重不足的情况下，研究了感潮河段的潮汐一般规律，通过对布吉河口的水位进行潮水和洪水的分离，用一种分段线性拟合的方法，对洪水波产生的增水进行了定量的分析，并且提出了根据潮水预报和增水关系进行潮水补偿调度的具体计算方法和过程。     

基于最小二乘法的绳套型水位流量关系最优定线研究

汛期河道的水位流量关系通常呈绳套型,对其进行高精度的定线是洪水资源实施高效管理的基础。传统的定线方法效率低,误差大,因而本文使用最小二乘法为优化方法,对绳套型水位流量方程进行优化定线。首先,Saint-Venant方程中的迁移惯性项和局地惯性项被去掉以简化方程,附加比降被引入以使方程能够拟合绳套型曲线;然后,简化后的方程通过取对数、多项式展开和幂级数展开被线性化;最后应用最小二乘法估计线性化方程中的参数。对3个案例的应用结果表明,所获得的定线方程能有效拟合观测的水位流量曲线,对拟合结果的偏离符号检验、适线检验和偏离数值检验均符合水文资料整编规范中的定线精度要求,说明将最小二乘法应用于绳套型水位流量曲线的优化定线是有效的。     

河道流量测量与计算方法研究

获得河道流量常用的方法是实测流速乘以面积法和实测水位转换法。测流速精度高但成本高,而直接由水位估算流量经济但精度不够高。采用飞来峡水文站实测的流速与流量,对中泓一点法、水位流量法和水位-流速-流量拟合法3种方法进行了对比研究。发现在传统的水位流量关系中加入了一个点的流速后能够显著的提高流量的计算精度。基于现在流速仪技术的发展,可以在河道断面长期布置一单点流速仪,实时观测一点流速,所以采用水位-流速-流量法是未来获得高精度河道流量的可行方案。