宜昌站洪峰流量过程神经网络预测模型研究

以长江上游寸滩-宜昌河段为研究对象,建立了考虑区间降雨的河道洪水预报BP神经网络模型,论证了应用人工神经网络模型进行洪水预报的可行性。以1982年至1986年的洪水预报作为仿真,表明该模型能较好地反映区间降雨的影响,对大中小各种洪水过程都能进行准确预报。     

淮河上中游复杂流域洪水预报

为了提高淮河洪水预报的精确度,以鲁台子和鲁蚌区间作为研究区域,选取2000—2017年之间的13场洪水资料,在降雨径流方面采用新安江三水源模型进行模拟预报,分别将鲁台子以上和鲁蚌区间分为9个和4个自然子流域,进行参数率定;对具有行蓄洪区的淮河干流河段进行节点概化,结合分流比法和马斯京根法,建立了具有行蓄洪区流域的洪水预报模拟方法,取得较好的模拟预报效果。研究结果表明:在洪量相对误差方面,鲁台子和鲁蚌区间的预报合格率都达到100%;在洪峰相对误差方面,鲁台子流域的合格率达到100%,而鲁蚌区间则达到92. 3%。2003年和2007年这2场大洪水的洪峰相对误差和确定性系数方面都得到显著改善。     

耦合TIGGE降水集合预报的洪水预报

耦合数值降水预报信息的洪水预报延长了预见期,为防洪调度赢得了宝贵的决策时间.但"单一"的降水预报具有较大的不确定性,即基于"单一"的降水预报所做出的调度决策可能不是优化的,甚至可能会出现较大的偏差,因此在洪水预报中引入了降水集合预报信息来考虑相应的降水不确定性.文中以桓仁水库以上流域为试验流域,将欧洲中期天气预报中心(ECMWF)的降水集合预报数据驱动新安江模型,得到预报径流的区间范围,为决策者提供更多有用的风险信息.计算结果表明,ECMWF降水集合预报可用于洪水预报,且能较好地描述洪水预报的不确定性.根据集合平均降水预报的特点,对集合平均降水数据进行了修正,并将修正后的集合平均数据驱动水文模型,其预报效果有了很大的改善.     

基于模糊聚类和BP神经网络的流域洪水分类预报研究

传统的流域洪水预报大都通过率定一组水文模型参数来寻求一个流域径流形成的一般性或平均化规律,其预报精度需要进一步提高.用模糊聚类ISODATA迭代模型将历史洪水分为若干类型,进行水文预报模型参数的分类调试;并建立BP神经网络分类模型判断实时洪水所属类别,选择其相应类别的模型参数实现流域洪水的分类预报.在辽宁省大伙房水库流域的实际应用表明:此方法不但可以实现洪水实时在线分类而且提高了流域整体洪水预报精度,是一种为水库实时调度提供可靠依据的有效洪水预报方法.     

闽江七里街流域洪水实时预报修正方法研究

根据闽江七里街流域水文实测资料信息,利用新安江三水源模型对该流域实时洪水预报进行了研究,分别采用自回归模型和自适应洪水修正方法对预报洪水过程进行了实时修正.分析结果表明,对预报洪水过程进行实时修正,能大大提高预报精度,采用自适应洪水修正方法具有较强的实时跟踪系统动态变化的能力,其修正效果优于自回归模型.     

基于贝叶斯分析的水文组合预报模型

水文组合预报方法是对多种预报模型的预报结果进行组合分析的一种预报方法.针对历史洪水数据不丰富的流域难于利用多种水文组合预报模型进行洪水预报的现状,构建了以贝叶斯分析为基础,同时结合专家经验、马尔科夫蒙特卡洛模拟、Gibbs抽样法,并引入实时校正的组合预报模型.以嫩江流域为实例,对基于贝叶斯分析的组合预报模型的精度进行了验证.验证结果表明,该模型可行而且实用,预报精度明显高于单个模型的预报精度.     

分布式实时洪水预报方案构建范式

以数字流域平台为依托,提出了一整套分布式实时洪水预报方案构建的方法.以自然流域为单位划分单元面积,通过流域解构,将流域离散成产汇流分区的集合,解决了流域下垫面的空间变异性和模型参数的空间分布;通过流域全程解析,将产汇流分区解析为水文模拟分区,完成了流域离散与水文模型的耦合;通过流域离散单元的拓扑重构,建立了水文模拟分区间的水力联系,构建了实时洪水预报方案的体系结构.将提出的方法应用于长江上游流域、珠江流域和闽江流域等多个流域的洪水实时预报方案编制中,结果表明,该方法能较好地体现出分布式流域水文模型在实时洪水预报中的实际应用,研制的软件系统实用性和通用性强,较好地满足了实际防洪决策会商的技术要求.     

基于主成分分析的系统聚类分析方法在洪水预报中的应用

在洪水预报中,对历史信息的分析和利用可以有效地提高洪水预报的精度,而如何从这些历史信息中获取有效信息是一个关键问题.对此,将主成分分析与系统聚类分析方法结合应用于洪水预报,首先应用主成分分析方法,从历史洪水资料中提取有效独立的信息,以避免洪水聚类时因指标间的相关性而对分类结果造成影响,然后根据这些信息,再应用系统聚类分析方法对历史洪水进行分类,并对各类洪水分别率定出一组模型参数,这样对于即将发生的洪水,采用其所属类的模型参数进行预报.应用于实际流域后结果表明,上述方法能够有效提高洪水预报精度.     

经验性洪水预报模型在陆浑水库的应用及其与小花间洪水预报模型结果对比

在对陆浑水库经验性洪水预报模型介绍的基础上,根据历史数据及流域地貌信息确定了模型参数,对1975-2011年25场洪水的计算结果与实测值进行了对比,同时对2003-2011年的7场洪水预报结果与黄委水文局小花间洪水预报模型预报结果进行了对比.结果表明:两模型模拟结果精度相差不大,都能满足预报精度要求,7场洪水小花间洪水预报模型模拟结果整体效果稍好,尤其是洪水过程与实测过程比较吻合;经验性洪水预报模拟结果稍差,但误差在可接受范围之内.两个模型都具有一定实用性,建议两模型联合运用,将小花间洪水预报模型的洪水预报结果作为指导水库防洪调度的主要依据,经验模型的预报结果作为参考.     

基于短时临近降水集合预报的中小河流洪水预报研究

为了延长中小河流洪水预报预见期,建立了基于短时临近精细化网格降水集合预报的中小河流洪水预报模型。模型采用百分位映射订正技术,发展数值模式降水预报场与实况场映射关系,结合Bayesian模型,构建基于GRAPES-3KM模式和Time-Lag-Ensemble融合技术的短时临近降水集合预报(最优集成、最大(95%分位数)、最小(5%分位数))格点场,作为GMKHM(Grid-and-Mixed-runoff-generation-and-Kinematic-wave-based Hydrological Model)的降水驱动,进行中小河流洪水逐小时实时滚动预报。选择新安江屯溪流域作为试验流域,对2020年汛期流域大洪水进行实时预报。检验结果表明,基于短时临近最优降水预报的中小河流洪水预报模型提前了7 h预报出屯溪断面洪峰,洪峰误差为5.6%,峰现时差为-1 h,比不考虑预见期降水的中小河流洪水预报提前了4 h;基于短时临近最大、最小降水预报的中小河流洪水预报模型提前了13 h预报出洪峰区间,并且自7月7日9时起滚动预报最大与最小预报跨度呈逐渐减少趋势。在中小河流洪水预报中引入短时临近集合预报降水,对提升中小河流洪水风险防控能力有重要意义。     

一种递归模糊神经网络的广义预测控制方法

提出了一种递归模糊神经网络(RFNN),通过加入向量调节层,提高了网络对输入信息的处理能力。基于所设计的递归模糊神经网络,建立非线性系统的离散数学多步模糊预测模型,根据这一模型对系统的输出进行预测,然后利用预测控制算法得到相应的预测控制规律。仿真结果表明该方法具有较高的控制精度以及一定的抗干扰能力。     

基于神经网络盲均衡算法的发展

从算法的角度，着重讨论了利用前馈神经网络、递归神经网络及细胞神经网络实现盲均衡算法的发展情况。总结出神经网络在盲均衡技术发展中起到的积极作用。     

河网洪水预报径向基函数人工神经网络方法

讨论了神经网络在河网水流数值模拟中的运用现状，并基于河网水流数值计算模拟的特点，将径向基函数神经网络方法应用于复杂河网水流．模型采用混合学习算法，选用高斯核函数作为隐藏层基函数，充分发挥其表示形武筒单、径向对称、光滑性好和解析性好的优势，并采用k-均值聚类算法来确定径向基函数的参数，运用最小二乘法求解权值．建立了珠江三角洲河网的洪水预报模型，计算表明，预测结果与实测数据吻合较好，该模型具有运算速度快、简便易用且预报精度较高等特点．     

系统非线性组合预测方法及在黄河凌汛预测中应用

为了提高预测的精度，尤其是冰凌中长期预测的精度，基于工程模糊集、人工神经网络、遗传算法与组合预测理论，提出了系统非线性组合预测方法，给出了黄河内蒙段冰凌三种单一预测模型的非线性组合预测值．结果表明，所建立的非线性组合预测方法物理意义明确，数学推导过程严谨，预测精度高于任意单一预测模型．     

BP模型在降雨径流预报中的应用研究

简要介绍了人工神经网络用于洪水预报的基本原理,对降雨径流预报的网络模型进行了改进。为了避免陷于局部极小值和缩短学习时间,采用了改进的自适应BP算法进行洪水预报,开发了基于BP模型的洪水预报系统,并经过山西省文峪河水库的实测资料进行了预报,取得了令人满意的精度。     

LMBP算法在闽江上游十里庵站洪水流量预测中的应用

运用反向传播算法的改进方法 LMBP算法,选取闽江上游南平市十里庵水文站最大洪峰流量与其支流建溪建瓯市七里街站、富屯溪顺昌县洋口站、沙溪沙县站3个水文站的相应洪水流量建立LMBP神经网络洪水预报模型.该模型能显著提高运行速度,缩短预报时间.计算结果表明,模型预测精度满足应用要求.     

人工免疫的神经网络预报方法及其应用

针对RBF(radial basis function)神经网络在预测铁水含硅量中出现的预测精度低,收敛速度慢的问题,提出了一种基于免疫识别原理的径向基函数神经网络的学习算法.该算法利用人工免疫原理确定高斯基函数的中心和宽度参数,同时将所识别的数据作为抗原,抗体作为抗原的压缩映射并作为神经网络的隐层中心,利用递推最小二乘法(recursion least square, RLS)确定连接权值,提高了RBF神经网络的收敛速度和精度.应用该模型于某大型钢铁厂高炉铁水硅含量预报的实例中, 实验结果表明, 该模型具有更高的预测精度和更短的训练时间.     

改进的BP模型及在大体积混凝土温度预测与控制中应用

文章针对传统的BP模型学习收敛速度慢容易陷入局部极小点等缺点,运用原始数据的非线性规格化函数,结合遗传算法调整权值,引入偏差单元,对BP模型进行了改进。提出运用改进的模型进行大体积混凝土温度预测与控制的新思路。通过实例验证,对于提高网络运行收敛速度、防止陷入局部极小点及克服手工调整参数的盲目性,都具有改善作用和一定的可操作性和实用性;为今后大体积混凝土温度预测与控制提供了可供借鉴的方法。     

基于神经网络的黄金期货价格的预测

黄金期货市场是一个极其复杂的非线性动力系统,由于神经网络具有很强的非线性逼近能力,理论上能无限逼近任意非线性函数.选用了应用最广泛的BP 神经网络模型来预测黄金期货的价格.对采集到的影响黄金期货价格的因素数据进行了归一化处理后建立BP神经网络并进行了模拟训练,然后用训练好的网络进行检验,并比较了输出结果和真实值,发现用BP神经网络模型能够将误差控制在一个较小的范围内.经过实证研究可以发现BP神经网络用于价格预测可达到较好的效果.