基于EMD与PSO的Nash NBGM(1,1)耦合模型的年径预测研究

针对径流是典型非平稳序列这一特点及目前存在的径流中长期预测精度低的问题,提出一种新的耦合预测方法——基于经验模态分解(Empirical Mode Decomposition,EMD)与粒子群优化算法(Particle Swarm Optimization,PSO)的非线性灰色Bernoulli耦合模型(Nash Nonlinear Grey Bernoulli Model,Nash NGBM)。首先利用EMD方法对汾河上游上静游、汾河水库、寨上和兰村4个水文站的年径流序列进行平稳化处理,分别得到若干个固有模态函数(Intrinsic Mode Function,IMF),对各阶IMF分别建立基于PSO算法的Nash NGBM(1,1)模型并进行预测,趋势项用多项式拟合并进行预测,然后通过重构各预测值得到汾河上游4个水文站年径流量的预测结果,并与单独运用基于PSO算法Nash NGBM(1,1)模型的预测结果进行比较,对模型作出评价。结果表明,基于EMD与PSO算法的Nash NGBM(1,1)耦合模型的拟合精度在92.5%以上,预测精度均达到了100%,其预测精度比单独运用基于PSO算法Nash NGBM(1,1)模型的预测精度有了明显提高;基于EMD与PSO算法的Nash NGBM(1,1)耦合预测方法的提出为径流中长期预测精度的提高提供了新的思路,对区域水资源的合理配置与优化调度具有重要的理论意义和实际价值。     

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MI-PCA与BP神经网络的石羊河流域中长期径流预报

使用神经网络进行水文预报的关键之一是预报因子(输入变量)的筛选。鉴于现有方法对预报中因子与径流间复杂的非线性相关关系考虑不充分以及因子间信息重叠导致的算法"过拟合"等问题,提出了一种信息熵理论和主成分分析方法相结合的预报因子筛选方法,并应用至石羊河流域的中长期径流预报中。实例研究表明:运用基于MI-PCA的预报因子筛选方法构建的石羊河流域中长期径流预报BP神经网络模型检验期预报合格率为91.67%,优于单独基于互信息法(83.33%)和主成分分析法(75.00%)的合格率,预报精度满足相关标准规范的要求,可为石羊河流域中长期径流预报提供实际支撑。     

基于SSA-ARIMA模型的青弋江干流径流预测

传统自回归滑动平均模型对非平稳和非正态分布的径流时间序列处理能力有限,很大程度限制了该方法在径流预测中的应用。基于青弋江西河镇站1970-2010年的逐月径流资料,利用奇异谱分析技术对1970-2007年逐月径流量进行分解,提取径流显著振荡的时间主分量序列,重构趋势序列、多年变化序列、年际变化序列和年内变化序列,运用ARIMA模型对各显著分量序列进行模拟预测,在对所有分量进行序列重构时,进行误差校正,同时利用传统ARIMA模型进行预测,将两者结果与实测值进行比较,检验其精度。结果表明:奇异谱分析技术能有效地从原始序列提取可靠的信息,通过分序列ARIMA模型预测重构后的径流序列与实测值更为接近,提高了传统ARIMA模型的预报精度。     

基于改进布谷鸟搜索算法优化的SVM月径流预测

为提高水文预测预报精度,提出基于Mittag-Leffler、Pareto、Cauchy3种重尾分布改进的布谷鸟搜索算法(MLCS、PCS、CCS)优化的支持向量机(SVM)月径流预测模型。选取6个典型测试函数对MLCS、PCS和CCS算法进行仿真验证,并与基本布谷鸟搜索算法(CS)的仿真结果进行比较。利用MLCS、PCS、CCS、CS算法优化SVM关键参数,建立MLCS-SVM、PCS-SVM、CCS-SVM、CS-SVM模型对云南省姑老河站枯水期月径流进行研究,并利用实例前40年和后13年资料对各模型进行训练和预测。结果表明,MLCS、PCS、CCS算法寻优能力优于标准CS算法,具有较好的寻优精度和全局搜索能力。MLCS-SVM、PCS-SVM、CCS-SVM模型对实例1-3月月径流预测的平均相对误差分别在4.89%～4.94%、6.87%～7.07%、6.87%～7.09%之间,预测精度较CS-SVM模型分别提高了34.5%、8.30%、23.6%以上,具有较好预测精度和泛化能力,表明MLCS、PCS、CCS算法能有效优化SVM相关参数。模型及方法可为水文预测预报及其他相关预测研究提供参考。     

基于L-M优化算法的喷头射程神经网络预测模型

喷头射程受较多因素影响,各因素之间相互作用,是一个复杂的非线性系统.神经网络能有效地描述非线性模型多输入和不确定的特征.采用Levengerg-Marquardt优化算法对神经网络进行了改进.对获得的数据进行训练,建立了喷头射程预测中喷嘴仰角、喷嘴直径和工作压力的映射网络模型,并模拟分析了喷头射程与其影响因素之间的变化规律.结果表明,用基于L-M算法的人工神经网络预测喷头射程时,不需要建立具体的模型,设计方便、运算迅速、仿真性强、精确度高.     

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...     

改进鲸鱼算法优化混合核支持向量机在径流预测中的应用

构建基于多项式核与高斯核相融合的混合核支持向量机(MSVM),利用拉普拉斯交叉算子(LX)改进的鲸鱼优化算法(LXWOA)优化MSVM关键参数和混合权重系数,提出LXWOA-MSVM径流预测模型,并构建高斯核LXWOA-GSVM、多项式核LXWOA-PSVM及LXWOA-BP作对比预测模型,以云南省清水江水文站枯水期1-4月月径流预测为例进行实例研究,利用实例前24年和后10年资料对各模型进行训练和预测。结果表明,LXWOA-MSVM模型对实例1-4月月径流预测的平均相对误差绝对值分别为4.09%、3.32%、3.51%和5.64%,预测精度均高于LXWOA-GSVM等3种模型,具有较好的预测精度和泛化能力,可为相关径流预测研究提供参考。     

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...     

山药切片红外干燥温度神经网络预测

在不同单位辐射功率和辐射距离下对山药切片进行了红外辐射干燥温度试验。基于温度试验数据,通过Matlab神经网络工具箱,采用最速梯度下降法和L-M算法对这些数据分别进行了训练,将训练好的BP神经网络对山药切片进行温度预测。结果表明:L-M算法优于传统的最速梯度下降法,提高了BP神经网络的收敛速度和泛化能力,预测误差较小,适用性较强,可较好地预测红外干燥过程中山药切片的温度变化。     

基于神经网络和粒子群算法产流量模型构建

为了研究坡面产流量与各影响因子间定量关系,分析野外多尺度人工径流小区实测数据,采用人工神经网络及粒子群算法,建立了坡面产流量预测模型,产流量与坡长、坡宽、坡度、前期土壤含水量间可采用二次抛物线关系进行描述,与植被覆盖度、降雨量间分别采用幂函数和线性函数进行描述.另外采用加权相对差距和法确定了产流量BP神经网络模型最优拓扑结构及网络参数,建立了产流量BP神经网络模型,该模型模拟值与实测相对误差在±20%以内,预测精度较高.同时基于产流量与各单因子定量关系,建立了产流量经验模型,采用粒子群算法推求了模型未知参数,该经验模型相对误差主要在±30%以内,其精度略逊于BP神经网络模型.     

基于小波分析-PSO优化ANFIS的径流组合预测模型研究

径流序列由于多种因素的影响,存在十分复杂的变化特性,如果利用常规方法直接进行预测,其预测精度一般不高.如果将径流序列分解成比较简单的序列,再利用非线性预测方法进行预测,其精度将会得到提高.利用小波分析的多分辨率分解功能对径流序列进行分解,降低了径流序列的复杂程度.利用PSO对自适应神经模糊推理系统的网络参数进行优化,提高模型结构参数的确定精度.将小波分析与PSO优化的ANFIS进行组合对径流序列进行预测,经实例验证:该模型能够提高径流预测的精度,预测效果较好.     

基于信息扩散近似推理的年径流量预测模型

通过分析年径流时间序列的特性,利用信息扩散近似推理描述年径流量间的复杂非线性关系,建立起基于信息扩散近似推理的年径流预测模型.信息扩散近似推理将样本点转换成模糊集,部分弥补了由于数据的不完备性所造成的信息空白,并可以将矛盾模式转换成兼容模式.通过与传统预测方法相比较,发现该模型能够很好地光滑样本数据以及能够较好地发掘知识,有较高的预测精度和推广应用价值.     

加权马尔可夫链在新疆阿克苏河年径流量预测中的应用

径流预测在水资源规划中发挥着重要作用.基于径流过程不确定性、不精确性的特点,利用资料系列的均方差方法把径流序列分为不同的状态.在此基础上,采用统计方法,建立转移概率矩阵,以规范化的各阶自相关系数为权重.用加权马尔可夫模型预测径流状态,并根据模糊集理论中的级别特征值预测径流量,最后把加权马尔可夫预测模型应用于新疆阿克苏河径流丰枯状态及年径流量的预测中,结果令人满意.     

基于HWSD的GSAC模型网格化产流参数估计与校正

针对基于网格的萨克拉门托模型(GSAC)产流参数难以估计的问题,提出利用世界和谐土壤数据库(HWSD)土壤属性数据估计和校正该模型产流参数的方法。首先,采用HWSD土粒百分含量和土壤质地分类数据估算流域各网格顶层(T层)与底层(S层)土壤的凋萎系数、田间持水量、饱和含水量等土壤水分常数;再采用一个气候指数和HWSD的T层张力水容量、田间持水量及凋萎系数推求GSAC模型上层厚度,继而利用上层厚度将流域各网格的HWSD土壤水分常数转换为GSAC模型上、下层土壤水分常数;最后利用GSAC模型上层厚度与转换了的土壤水分常数估计流域各网格的产流参数;在估计产流参数的同时,采用12个系数对这些产流参数进行校正,所有的校正系数通过自由搜索(FS)算法率定GSAC模型确定。呼兰河流域的应用结果表明:基于HWSD土壤属性数据估计GSAC模型网格化产流参数的方法简便易行,利用校正产流参数驱动的GSAC模型在率定期与验证期的纳什效率系数(NSEC)分别为0.81和0.83,与不校正产流参数情况相比,校正产流参数的GSAC模型能够取得更高的模拟精度。     

无资料地区径流分析计算方法研究

应用区域回归法进行无资料地区径流计算。采用快速聚类划分水文一致区，建立径流量与特征变量的区域回归方程，应用加权最小二乘法估算回归系数，推求年平均径流及不同保证率下的径流量；通过模糊优选法选择相似流域，采用水文比拟法估算径流的年内分配。结果表明所提方法要优于传统的等值线图法。     

一种改进的基于混沌吸引子的径流降尺度分析

基于混沌理论,研究水文科学的尺度问题,将混沌分析方法应用于径流的降尺度计算。通过分析大时间尺度的年径流量分解到小时间尺度的月径流量的分解系数的混沌特征量,论证了分解系数具有混沌特性。在此基础上,对分解系数的预测方法提出改进意见并给出具体算法。然后根据预测结果进行月径流量的降尺度计算。实例研究表明,改进的算法用于径流量的降尺度分析具有明显的优点。     

开都河径流年内分配特征研究

以开都河大山口水文站1956—2006年逐月径流量数据为基本资料,采用Mann-Kendall法和小波分析法将径流划分为水文变化特征相似的6个时段,然后计算各个时段年内分配不均匀系数、集中度(期)、变化幅度和月(季)百分比等多个指标,分析开都河径流年内分配特征。结果表明,开都河来水年内变化较大,历年年内径流分配很不均匀;年内径流主要集中于6—8月份,特枯月为2—3月份;年内径流分配主要受气温变化和高山融雪的影响。     

基于GA-BP神经网络的池塘养殖水温短期预测系统

为解决传统的水温小样本非实时预测方法预测精度低、鲁棒性差等问题,基于物联网实时数据,提出了遗传算法(GA)优化BP神经网络的池塘养殖水温短期预测方法,并在此基础上设计开发了池塘养殖水温预测系统,首先采用主成分分析法筛选出影响池塘水温的关键影响因子,减少输入元素;然后使用遗传算法对初始权重和阈值进行优化,获取最优参数并构建了基于BP神经网络的水温预测模型;最后采用Java语言开发了基于B/S体系结构的预测系统。该系统在江苏省宜兴市河蟹养殖池塘进行了预测验证。结果表明:该系统在短期的水温预测中具有准确的预测效果,与传统的BP神经网络算法相比,研究内容评价指标平均绝对误差(MAE)、平均绝对百分误差(MAPE)和误差均方根(MSE)分别为0.196 8、0.007 9和0.059 2,均优于单一BP神经网络预测,可满足实际的养殖池塘水温管理需要。