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。     

基于NARX神经网络的年径流预测

针对传统BP模型在时间系列年径流预测中的适应性问题,本文构建了基于动态反馈性NARX神经网络的年径流预测模型,模型结构带有外部输入的非线性自回归网络,输入向量选取降雨及气温,输出向量为未来的年均流量。本文采用构皮滩站历史实测数据对模型进行训练及测试,对NARX模型与传统BP模型及逐步线性回归模型性能进行了对比分析。     

人工神经网络结合SWAT模型在河道径流量预测中的应用

径流量预测的常用方法具有不确定性大、未考虑大气变化及人类活动等因素影响的缺点,因此提出人工神经网络结合SWAT模型的预测方法来对其进行优化.应用该方法对辽宁省哈巴气水文站的降雨量及径流量进行模拟,预测结果与实测值吻合度较高,证明了该方法的合理性.此外,应用该方法对该站未来15年的径流量变化情况进行了预测,为该地区的水资源规划提供基础资料.     

水库径流模拟的灰色神经网络方法

应用灰色理论与人工神经网络的特点,建立了灰色神经网络模型,对影响水库径流的各影响因素分别建立灰色模型,并将灰色模型模拟预测的数值作为神经网络的输入,水库年均径流量的原始数值作为神经网络的输出,训练得到最佳的训练结构.以某地区水库径流为例,根据其变化规律,应用灰色神经网络模型对其进行预测,结果表明,该模型拟合误差小,预测精度高,为研究区域的水资源综合规划提供了依据.     

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CEEMDAN-WD-PSO-LSSVM模型的月径流预测研究

针对径流序列的非线性、非稳态化的特点导致直接预测精度低的问题,提出了一种二次分解径流时间序列,再经过最小二乘支持向量机(LSSVM)模型进行月径流预测的新途径.该方法首先利用自适应噪声的完整集成经验模态分解(CEEMDAN)算法来分解原始径流时间序列,得到一系列本征模态分量(IMF).再利用小波分解(WD)对高频分量进...     

基于VMD-PSR-BNN模型的月径流预测方法研究

径流过程是地球上水文循环中的关键一环,科学准确地预测月径流的来水量对于流域的水量调度、水资源规划及管理具有十分重要的意义。然而由于径流过程的复杂性以及人类活动的影响,在变化环境中精准捕捉月径流时间序列的变化规律变得十分困难。针对月径流时间序列预测中存在的对于样本数据中先验信息识别不够彻底以及对时间步长嵌入维度难以有效地自适应选取这两点问题,设计了基于VMD-PSR-BNN的月径流时间序列预测模型。基于变分模态分解（VMD）算法对噪声良好的鲁棒性和对时序信号精确分解的特性,将月径流时间序列视为一种时序信号,利用VMD方法将月径流时间序列分解为多个相对平稳的固有模态函数（IMF）,再基于相空间重构（PSR）理论对各个IMF分别进行重构,对各个重构后的IMF分别采用基于变分推理的贝叶斯神经网络（BNN）进行预测,最后将各个BNN的预测结果进行聚合重构得到月径流时间序列的最终预测结果。选取渭河流域咸阳和华县两个水文站1953-2018年的月径流时间序列进行实例分析。结果表明：VMD对月径流时间序列具有很好的分解效果,两个水文站基于VMD-PSR-BNN模型的月径流预测结果均可达到水文预报的甲级...     

基于CEEMDAN-QPSO-BLS模型的径流预测研究

准确的径流预测是水资源优化配置和高效利用的前提,是制定防洪减灾决策的基础,然而受到人类活动、环境、气候等因素的影响,径流序列呈现出非线性、非稳态、多尺度变化的特点,这为径流的精准预测增加了难度。为提高径流预测的精准度和可信度,结合自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）方法,量子粒子群优化算法（Quantum Particle Swarm Optimization,QPSO）、宽度学习系统（Broad Learning System, BLS）模型,提出了一种基于CEEMDAN-QPSO-BLS组合式的径流预测模型。该组合模型首先使用CEEMDAN方法对原始径流信号进行分解,得到若干相对平稳的本征模态分量。其次利用QPSO算法对BLS模型的特征层节点组数、增强层节点组数和组内节点数进行寻优,得到最优的宽度学习网络拓扑结构,进而使用最优的QPSOBLS对多个稳态分量进行预测,并对预测分量进行重构,从而获得更高的预测精度。以黄河流域小浪底水库的日径流...     

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...     

基于SWAT模型和降水随机模拟的径流预测

降水为气象数据中对径流模拟结果影响最大的因素,对径流过程造成的影响较大,为预测未来不同量级降水情景下的径流过程,将SWAT模型和耦合Markov链-Gamma分布的降水随机模拟相结合.以王快水库以上流域为研究区域,构建SWAT模型并进行参数率定和验证.以阜平站60 a逐日降水资料为基础,通过构建不同量级降水下的随机模拟...     

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。     

基于神经网络灰色模型的农田土壤湿度预测研究

为了提高农田土壤湿度预测的效果,采用神经网络灰色模型。首先灰色模型对农田土壤湿度数据建模,神经网络对误差进行校正;然后神经网络灰色模型考虑湿度数据之间的关联度,只对关联度值较大的单个预测模型进行组合预测;最后给出了算法流程。实验结果表明,随着农田土壤深度的增加,湿度数据预测值的相对误差以及波动性都在增加;多模型对比实验显示:对垂直深度70 cm和80 cm的土壤湿度预测值接近真实值,剩余预测偏差指标最小值为2.69、平均值为2.75,模型判定系数为0.98,结果优于其他预测模型指标。     

淮北平原基于ARIMA模型的冬小麦日土壤水分预测

准确预测土壤水分动态变化对农作物生长以及节水灌溉至关重要。为反映逐日土壤水分动态变化,利用五道沟水文实验站蒸渗仪2017-2018年土壤水实测资料,采用时间序列分析方法,分别建立了冬小麦全生育期10、30、50 cm土层的土壤水分计算模型。结果表明:10、30、50 cm土壤含水量变异系数有明显差异,随土层深度增加逐渐减小,分别为0.190、0.103、0.040。利用ARIMA模型对土壤水分进行拟合,10、30、50 cm土层土壤水分计算模型分别为ARIMA(4,1,7)、ARIMA(1,1,2)、ARIMA(2,1,3),拟合优度R^2均大于0.95;不同土层土壤水分计算模型均具有较好的预测能力,且随深度增加预测精度提高,由10 cm增至50 cm最大相对误差从15.6%降至5.1%。研究成果为进一步制定淮北平原节水灌溉制度,提高田间水利用率具有重要意义。     

基于RAGA-Shepard模型的滦河大河口站年径流预测

应用基于RAGA的Shepard相似模型,在实测径流统计特性分析的基础上对内蒙古滦河上游主要测站大河口站的年径流进行了预测.为科学调度水资源,最大限度地满足各方面的用水需求,提供有效依据.     

基于神经网络的洮河枯期径流预报模型研究

根据洮河50年(1957～2006年)的径流量、降雨和上游径流量数据,建立了基于反馈神经网络的Elman洮河枯季径流预报模型。利用matlab7提供的神经网络工具箱进行建模训练。仿真结果表明所采用的Elman网络预报模型精度高,为人工神经网络运用到水文预测方面提供了依据。     

基于RBF神经网络马尔可夫模型的降水量预测

降水量预测是制定抗旱防涝对策的重要依据,其预测方法是科学准确预测降水的重要手段.为提高降水量预测的精确度,应用RBF神经网络与马尔可夫相结合,建立R-M降水量预测模型,介绍了它的基本原理及算法,并给出了该模型建立的具体过程,最后将该模型应用于降水量预测工作中,实例验证结果令人满意.     

作物产量预测的时间序列神经网络模型

建立了基于时间序列的动态系统前馈神经网络（DBP）模型,并将该模型用于不同水肥处理条件下水稻产量的预测。该模型克服了传统静态BP模型以某个生育阶段的影响因子的过程值或最终值采建立网络结构的局限性,可以充分利用水稻生长过程中大量的动态采样数据,以便提高模型预测精度。与修正Morgan模型相比,则不需要建立具体的水分生产函数模型,适应性更强。检验表明,DBP模型预测精度较高。同时数据比较表明,DBP模型与传统BP模型及水肥综合修正Morgan模型在水稻产量预测精度方面没有本质差异。     

基于BP神经网络的乳制品质量预测研究

在乳制品加工生产中,产品生产质量是生产过程中的关键因素。为了实现产品生产质量的管理,引入了基于人工神经网络的预测方法,以实际生产过程中实验室检测数据以及仪表观测数据作为网络学习样本,通过训练网络模型并将训练后预测模型应用于乳制品企业实际生产,为产品质量分析提供了可靠的依据。