排序方式： 共有4条查询结果，搜索用时 15 毫秒
1
1.
引进BP神经网络优化Bayesian方法中似然函数的计算,得到一种新的BP-Bayesian方法,用来反演河网中各河段糙率.通过一个9河段组成的河网算例,使用本方法得到各河段糙率的后验分布和估计值,最大误差不超过3%;在测量值出现校准误差时,也能有效给出合理的估计值.BP-Bayesian方法能得到糙率估计值的概率密度分布,并从中得到有效的估计值,避免了传统优化方法容易陷入局部最优的缺点;同时,与传统Bayesian方法相比能节省大量计算时间. 相似文献
2.
针对时用水量存在周期性的特点,引入季节因子,采用时变ARMA季节模型对非线性非平稳系统的时用水量进行模拟.以杭州市实测用水量为例,分别采用时不变ARMA季节模型和时变ARMA季节模型进行时用水量预测,结果表明时变ARMA季节模型预测精度相对较高,且预测误差相对稳定,较时不变模型更具有实用性. 相似文献
3.
基于BP-Bayesian方法的河网糙率反演 总被引：1，自引：0，他引：1
引进BP神经网络优化Bayesian方法中似然函数的计算,得到一种新的BP-Bayesian方法,用来反演河网中各河段糙率.通过一个9河段组成的河网算例,使用本方法得到各河段糙率的后验分布和估计值,最大误差不超过3%;在测量值出现校准误差时,也能有效给出合理的估计值.BP-Bayesian方法能得到糙率估计值的概率密度分布,并从中得到有效的估计值,避免了传统优化方法容易陷入局部最优的缺点;同时,与传统Bayesian方法相比能节省大量计算时间. 相似文献
4.
基于贝叶斯推理的水环境系统参数识别 总被引：5，自引：1，他引：5
为了克服监测数据有限而且存在误差给水环境系统参数识别带来的困难，以一维河流水质模型方程为例，构建了水环境系统参数识别的贝叶斯算法．结合模型参数的先验分布和水质监测数据，通过贝叶斯定理计算获得了表征参数分布规律的联合后验概率密度函数．通过马尔科夫链蒙特卡罗模拟对后验分布进行了采样，获得了参数的后验边缘概率密度，并在此基础上获得了参数的数学期望等统计量．计算结果表明采用贝叶斯推理获得的模型参数估计具有很高的精度．此算法构造直观、简单，成功解决了水环境系统参数的可识别性问题． 相似文献
1