水文水力学结合的秦淮河流域洪水模拟与实时校正

针对以栅格新安江模型为代表的分布式水文模型在秦淮河流域洪水模拟预报中下游感潮河段应用精度受限的问题,以前垾村(秦)站为节点,上游采用栅格新安江模型计算产流,下游采用水动力学模型对受闸泵调度影响的感潮河段水位进行模拟,并采用K最近邻(KNN)法和反馈法对模拟结果进行实时校正。结果表明,采用KNN法校正后确定性系数为0.718～0.975,达到了乙等预报精度要求,可用于秦淮河流域洪水模拟预报。     

无资料地区水文模拟及相似性分析

基于新安江模型,利用参数移植方法开展嵌套式流域无资料情况下的水文模拟研究。结果表明,产流参数的移植精度较高,汇流参数的移植精度相对较低,流域坡度对其影响较大。在新安江次洪模型的实际应用中,需要对地貌特征加强考虑。通过对流域水文相似性分析,发现在地形指数分布曲线相似的情况下可以移植模型的产流参数;当采用地貌单位线进行流域汇流计算时,参数移植的应用效果较好。     

新安江模型与衰减记忆最小二乘法耦合洪水模型的应用

利用新安江模型进行流域产流计算,采用扩散波方程推得的汇流状态方程描述流域汇流过程,由衰减记忆递推最小二乘法实现参数估计实时化,从而使新安江模型与衰减记忆递推最小二乘法耦合,实现洪水实时预报。利用耦合模型对矶头水库76场入库洪水进行模拟,模拟结果表明,耦合模型适合中小水库入库洪水实时预报,预报精度比独立使用新安江模型得到了大大的提高。     

基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.     

交通噪声预测的神经网络模型

运用 Matlab语言编程 ,构造预测交通噪声的 LM算法 BP神经网络模型 ,把预测因子 (轻、重型车流量、平均车速、受声点距路肩距离、敏感点高差 )作为样本输入到网络模型 ,噪声等效声级作为样本输出 ,反复训练网络 ,通过增加隐含层节点数、改进算法 ,以降低误差 ,缩短训练时间。     

基于Holtan产流的分布式水文模型

基于GIS与DEM技术,构建基于Holtan产流的分布式水文模型(Grid-Holtan模型)。模型以栅格为计算单元,栅格产流采用基于Holtan下渗方法的超渗产流计算,坡面汇流和河道汇流均采用逐栅格的一维扩散波水流演算模型模拟。将Grid-Holtan模型、陕北模型与新安江模型应用于半干旱的沁河孔家坡流域。结果表明,Grid-Holtan模型、陕北模型的模拟效果好于新安江模型,GridHoltan模型洪峰模拟效果更好。     

枯水流量演进方法及其应用

将枯水期河段槽蓄水量表示为上断面多个时刻流量的线性组合,考虑河段引水、加水和损失等因素的影响,建立了枯水流量演进的线性方程模型,并用优化方法率定了模型参数;以河段上断面流量、河段用水量、区间加水量、河段损失量作为网络输入因子,河段下断面流量作为网络输出因子,构建了一个3层BP神经网络模型;将线性方程模型、BP神经网络模型和水力学方法应用于黄河下游河段枯水流量演进模拟计算,并对其模拟结果进行了比较.结果表明:线性方程模型稳定性好,便于演进计算和反馈控制计算;BP神经网络模型具有较好的泛化能力,计算精度也较高,但难以进行反馈控制计算;水力学方法在进行流量演进和反馈控制时,存在计算稳定性和收敛性问题,其应用有一定困难.     

基于栅格的分布式超渗产流水文模型构建及比较

利用具有物理机制的Green-Ampt下渗方法并考虑降雨间歇土壤含水量再分配计算栅格内产流;同时考虑河道排水网络的水量交换,采用逐栅格的Muskingum-Cunge演算法进行汇流,构建了基于栅格的分布式超渗产流水文模型(Grid-GA模型).同时还建立了基于子流域的Green-Ampt水文模型、以及增加超渗产流机制的新安江模型.将这3个模型以及新安江模型应用于半湿润的沂河高里流域,结果表明,4个水文模型均能很好地进行水文过程的模拟,证明所构建的模型结构合理.     

基于网格水滴的汇流模拟计算方法

为探究网格水滴汇流方法的预报精度及物理性质,并验证其在缺资料或无资料地区的适用性,以蓄满产流为原理,结合网格新安江模型进行产流计算,构建了基于网格水滴的汇流模型。以湿润地区屯溪及其嵌套子流域和半湿润地区东湾及其嵌子套流域为研究对象,假设嵌套子流域为缺资料地区,在不重新率定参数情况下对屯溪和东湾内部嵌套子流域进行模拟验证。结果表明：相同流域内,基于网格水滴的汇流模型综合模拟精度随着子流域面积减小而降低;模型在屯溪流域模拟精度达到甲级,其嵌套子流域模拟精度基本满足需求;在东湾流域模拟精度达到乙级,其嵌套子流域模拟精度除洪峰合格率外均达丙级;模拟结果验证了网格水滴汇流模型在缺资料流域的适用性。     

基于蓄满超渗时空动态组合的网格新安江模型

为使网格新安江(Grid-XAJ)模型更好地应用于半干旱半湿润地区洪水模拟及预报,通过降雨和土壤含水量动态产流因子之间的判定关系,动态识别产流过程中网格的主导产流模式,构建基于蓄满超渗时空动态组合的网格新安江模型(Grid-XAJ-SIDE),并以半干旱的绥德流域为研究区域,将Grid-XAJ-SIDE模型与Grid-XAJ模型和网格格林安普特模型(Grid-GA)进行对比验证。结果表明:3个模型径流深模拟结果都较好,合格率均在80.0%以上;Grid-XAJ-SIDE模型的洪峰合格率(66.7%)比Grid-XAJ模型(53.0%)和Grid-GA模型(40.0%)有明显提升;Grid-XAJ-SIDE模型能更好地考虑降雨、土壤含水量对产流时空分布的影响。     

半湿润流域洪水预报实时校正方法比较

为了提高新安江模型在半湿润流域的洪水预报精度,选择K最近邻(KNN)算法、传统的误差自回归(AR)方法、反馈模拟方法3种实时校正方法,以陕西省陈河流域为试验对象进行洪水预报。以洪峰相对误差和纳什效率系数为评价指标,分析对比3种方法的校正效果。结果表明:3种校正方法均能提高预报纳什效率系数,其中反馈模拟最优,AR、KNN效果次之;反馈模拟对洪峰误差校正相比于KNN算法在短预见期内更为精确,两者均能减小AR法在洪峰误差校正上的不足;加入历史样本的KNN算法在洪峰误差校正上效果优于反馈模拟,可有效提高洪水预报精度。     

基于权值函数神经元的BP网络研究

研究了一种神经元模型,在该模型中将参数可调的激励函数往前移到权值上,即把权值变为参数可调的函数,这些权值函数的累加和作为神经元的输出.将此类神经元称为权值函数神经元,根据BP算法给出了由其构成的前馈神经网络的学习算法.仿真实验对比结果表明,在给定的误差精度要求下,基于权值函数神经元的BP神经网络每次训练都能收敛,且平均迭代步数较少,其收敛速度要优于传统BP网络,具有较好的研究应用价值.     

基于BP神经网络的坡面降雨产流预测

为预测坡面降雨产流,基于坡面降雨产流的非线性特性,引用3层BP(Back-Propagation)网络建模方法,对B市密云水库流域石匣小区水土保持监测小区的坡面降雨产流进行了研究。模型输入层变量数为5个,分别代表坡度、坡长、降雨强度、降雨历时、土壤的有效糙率,输出层变量数为坡面降雨产流量,利用野外小区实测数据,对上述网络进行了训练,学习100次后网络趋于收敛,训练样本集误差达到2.040 96×10-10,小于预设精度,预测样本的平均相对误差为1.67%。该模型的建立与实践,为坡面降雨产流预测的研究提供了新的方法。     

格林-安普特降雨径流模型改进及初步应用

将基于土壤及降雨资料计算得出的具有物理基础的下渗能力分布曲线引入格林-安普特降雨径流模型,选择中国和美国2个半干旱流域作为研究区域,将改进后的格林-安普特模型与原模型及新安江模型进行模拟对比,研究改进后模型的应用效果及其在半干旱地区的适用性。结果表明:在2个半干旱流域,改进格林-安普特模型模拟结果均好于原始格林-安普特模型及新安江模型;增加的具有物理基础的下渗能力分布曲线能够更好地反映流域内各位置下渗能力随降雨和时间变化的特点,更加精确地计算出流域内下渗量及产流量;半干旱地区洪水多由短时强降雨引起,产流主要以超渗地面径流为主,降雨观测精度和降雨强度对模型模拟精度影响较大;改进格林-安普特降雨径流模型能够在半干旱地区洪水预报中发挥作用。     

山区小流域洪水预报实时校正研究

为了解决现有实时校正方法对山区小流域洪水进行校正能力不足的问题,引入K最近邻算法用于洪水预报实时校正。以安徽省沙埠流域为试验流域,构建基于K最近邻算法的实时校正模型,同时采用BP神经网络实时校正法和传统的误差自回归方法,以洪峰相对误差和确定性系数为评价指标,分析各校正模型的校正结果。结果表明:基于K最近邻的实时校正法对确定性系数改善最优,BP神经网络实时校正法对洪峰误差校正更精确;将历史洪水资料纳入学习样本后,基于K最近邻的实时校正法的校正能力将进一步提升。基于K最近邻的实时校正法能够有效避免误差自回归方法对洪峰误差控制较差的缺陷,适应性强,反应灵敏,精确度高,可作为山区小流域洪水预报实时校正的有效工具。     

基于新安江水文模型的东江流域枯水径流模拟

为了探讨新安江流域水文模型模拟流域枯水径流的可行性及精度,采用该模型对东江流域中的4个子流域进行日径流过程模拟.在采用常规的评价指标对模拟结果进行初步分析的基础上,以描述枯水径流特点的枯水特征值,例如连续多日最小平均流量、基流分割结果、枯水期模拟结果和流量历时曲线等为研究对象,探讨该模型模拟枯水径流的能力.4个子流域的研究结果表明,不论对于常规的评价指标,还是枯水特征值,用新安江流域水文模型来模拟枯水期的流量均能达到较高的精度,因此可采用该模型进行东江流域枯水径流的预测.     

克隆选择粒子群优化BP神经网络电力需求预测

在普通BP算法基础上,引入克隆选择粒子群算法,建立电力需求预测模型.将当期国内生产总值、前期国内生产总值、人口、当期产业结构变化、前期产业结构变化等影响电力需求的因素作为网络输入,电力需求作为网络输出,同时选择合适的隐层节点数,确定模型的网络结构.利用克隆选择粒子群算法反复优化BP网络的权值组合,将优化后的权值作为BP神经网络的初始值,进行BP算法,直至网络达到训练指标.利用近几年相关输入输出变量年度数据,对建立的模型进行电力需求实证预测分析,并同普通BP神经网络预测结果进行对比.结果表明:基于克隆选择粒子群优化的BP神经网络不仅训练速度快,而且误差小,预测精度明显提高,说明该模型对于电力需求预测的有效性.     

基于粒子群改进BP神经网络的组合预测模型及其应用

针对应用广泛的传统人工智能预测BP(Back propagation)神经网络自身局限以及其在处理中长期复杂预测问题中需要样本数量大、泛化能力弱等不足,提出利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法和自回归移动平均模型(ARIMA)时序预测对历史数据进行初步预测,对中长期预测中数据趋势项和随机项进行模拟;将初步预测的结果作为改进BP神经网络的输入,在此基础上进行训练和预测,构建基于改进BP网络的组合预测模型.以我国1978-2007年能源需求数据为样本,进行实例分析.结果表明:组合预测模型预测精度较BP神经网络、灰色预测方法和ARIMA预测方法分别提高4.8%,6.1%和5.3%,验证了组合预测方法在中长期预测问题处理中的有效性.     

基于RBF神经网络的冠心病识别模型

RBF神经网络是前馈神经网络研究中的一个热点.对RBF神经网络的网络结构、基本原理和学习算法进行了介绍.针对BP神经网络自身的缺陷,提出以RBF神经网络为识别模型,采用最近邻聚类学习算法,建立一种冠心病模式识别诊断系统.仿真实验表明,该模型可快速完成对冠心病样本的学习与拟合,具有预测识别率高的优点,可作为该病诊断的一种有效的辅助手段.     

秦淮河水文水动力模型及实时校正

为了解秦淮河的径流规律及特征,针对秦淮河流域的地形、水系、产汇流特性、水利工程及下游潮位特征,构建了秦淮河流域水文水动力模型,计算了秦淮河水系主要计算断面的水位流量过程,并选择K最近邻算法(KNN法)和反馈法两种实时校正方法对模拟结果进行校正。结果表明,以各洪水场次的洪峰相对误差和纳什效率系数作为评价指标,秦淮河流域水文水动力模型模拟效果良好,经实时校正后,模拟精度得到了进一步提高,可用于流域的洪水预报。