基于CEEMD-BP模型的水文时间序列月径流预测

水文时间序列月径流预测在水资源的规划与管理方面具有重要的作用,由于径流序列的非线性和非平稳性,对其准确地进行预测较为困难.本文基于1956—2013年青海湟水河流域月径流序列,将完备的集合经验模态分解方法(complete ensemble empirical mode decomposition, CEEMD)与BP神经网络组合进行月径流预测.结果表明:组合模型CEEMD-BP和EEMD-BP相比于单一的BP神经网络,可以更好地保留原始数据的信息,预测效果更好,其中CEEMD-BP在组合模型中的预测精度更高,可用于水文时间序列月径流预测.     

天然溶洞稳定性预测的模糊控制方法

本文指明,用模糊近似推理方法,对天然溶洞的稳定性进行预测是可行的,然后进行了天然溶洞稳定级别及稳定控制因素的模糊数学描述,提出了天然溶洞稳定性预测模式及模式预测的特征展开近似推理算法,最后建立了预测模型并自测考核效果。结果说明,建模是有效的,具有一定的适用性。     

基于CMIP5 RCP情景的清江流域径流对气候变化的响应研究

气候变化的径流响应在近些年逐渐成为研究热点.在建立清江渔峡口以上流域SWAT模型的基础上采用CMIP5模式组3种模式下各RCP情景2016年～2100年的月降水数据集,经降尺度后对研究流域的月径流进行预测,并与历史时期(1990年～1999年)径流情况进行对比以评估径流变化.结果表明：以恩施站为代表的未来年内最大月降水出现时间提前1～2个月,流域年内最大月径流出现时间也提前1～2个月,降水和径流均在2016年～2100年间呈整体增强趋势.短期(2016年～2035年)内,大部分模式预测的降水和径流将低于历史时期(1990年～1999年),但中期(2046年～2065年)大部分模式预测的年降水量和径流量呈增加趋势,在2081年后该趋势更为明显.CMIP5模式组中不同预测模式的不确定性大于不同典型浓度路径,且降水的输入为径流预测误差的主要来源.     

有限记忆静态灰色冰雪融水径流预报模型及其应用

根据塔什库尔干河流域的径流资料及喀什探空站的气温资料,采用有限记忆静态灰色模型建立了该流域的冰雪融水径流预测模型。通过灰色关联度分析对各预报因子进行筛选、建模预测,将该模型与GM(1,1)模型进行了比较。结果表明,该模型能够较好地模拟预测塔什库尔干河流域的冰雪融水径流过程,具有实际的应用价值。     

改进PINNs方法求解边界层对流占优扩散方程

针对物理信息神经网络(PINNs)在求解边界层附近存在剧烈梯度变化的对流占优扩散方程时无法得到足够精度的问题，本文提出一种具有参数渐进思想的神经网络求解方法。该方法首先近似大扩散参数方程的光滑解，然后逐步减小扩散参数并将大扩散参数下的网络最优参数作为小扩散参数神经网络的初始值进行训练，通过参数循环反复优化物理信息神经网络，提高神经网络的表征能力，从而提升物理信息神经网络逼近对流占优扩散问题的求解精度，最后获得小扩散参数的高精度奇异解。经过对本文方法与PINNs以及gPINNs方法在精度和收敛效率方面的对比分析表明，本文方法在未知边界层位置条件下，能够高效地近似对流占优扩散方程的大梯度解，实现10^-3量级的精度。同时，本文方法在收敛速度和稳定性方面比PINNs和gPINNs具有更好的优势和性能。     

智能排污系统中的模糊决策

按照近似假言推理预测模糊蕴涵关系，根据择近规则确定模糊对象与模糊模式之间的关系，系统采用逼近算法控制排污阀的开闭。     

基于模糊概率Petri网的故障诊断建模与分析

为筛选故障诊断推理中的冗余信息,研究了面向故障诊断的模糊概率Petri网（FPPN）。通过综合专家经验知识,将事件的概率参数引入推理分析中。并给出了基于状态方程的正向、反向及混合推理分析方法。以铁路道岔系统的故障诊断为例,说明基于FPPN的建模和分析方法,结果表明：引人概率参数的FPPN能够筛除冗余信息,分析过程体现了人工推理的思维模式,优于基于FPN的分析结果。     

一、二类边界条件下扩散方程的一个稳态近似结果

将动力学处理非稳态问题的浓度随时间不变的稳态假设发展为浓度变化率随时间不变的稳态假设,对有限长度区间内扩散方程进行稳态近似法处理,获得一、二类边界条件下扩散方程的一个稳态近似解.并将其与精确数值解对比.研究结果表明:稳态近似法获得的结果和精确解随时间变化是同步的,利用近似解可以准确地预测达到最终稳态的时间;近似解与接近最终稳态的情形吻合程度好,与远离最终稳态的情形吻合程度较差;稳态近似法获得的结果基本上满足总体质量守恒.     

基于多特征融合和深度学习的微观扩散预测

准确地预测社交网络中的信息扩散节点可以对谣言、计算机病毒等不良信息的传播以及信息泄露做到早检测、早溯源和早抑制。为了提高微观扩散预测精度,该文提出了一个基于多特征融合和深度学习的微观信息扩散预测通用框架(MFFDLP)。为了获取信息扩散的时序特征,基于信息扩散序列和社交网络图,采用门控循环神经网络提取局部时序特征和全局时序特征,并融合形成信息扩散序列表征;为了获取用户交互行为和兴趣爱好的动态表示,根据历史信息构建信息扩散图,使用级联图注意力网络提取信息扩散子图中节点特征和边特征,并通过嵌入查找,融合形成当前信息扩散序列中相应节点的动态扩散表征;使用双多头注意力机制,进一步捕获静态和动态扩散特征的上下文信息,实现了高精度微观扩散预测。在3个公共数据集上的对比实验结果表明：所提方法优于对比方法,在微观扩散预测的精度上最高提高了9.98%。     

径流序列的相空间重构神经网络预测模型

在水文水资源领域中引入混沌理论，将相空间重构理论与神经网络理论相结合，提出了径流时间序列预测模型．通过相空间重构，把一维径流时间序列拓展为多维序列，而多维序列可挖掘更为丰富的信息，有利于神经网络的训练．研究表明，利用神经网络建模可以较好地解决非线性问题，使预测更符合实际．以汉江石泉水库逐月平均入库径流序列为例，建立了径流时间序列相空间重构与神经网络耦合预测模型，计算结果表明，模型有较高的预测精度．     

基于可变模糊集理论的径流预报单要素近似推理法

在深入研究径流中长期预报的单要素预报模糊推理方法基础上.针对其中应用传统的模糊分布函数来描述模糊子集的不合适问题.结合可变模糊集理论,提出了基于可变模糊集理论的径流预报单要素近似推理法;与原有的单要素预报的模糊推理方法相比,新方法可以科学合理地确定待预报径流量隶属干模糊子集区闻的隶属庹,使模糊推理方法更趋完善;详细介绍了新方法的基本原理及步骤;将新方法应用于磨盘山水库年径流预报,验证了方法的科学合理性.     

黄河上游径流量对气候变化的响应和预测模型

全球气候变化下的黄河上游径流量变化及其预测是流域生态水文研究的热点之一。论文利用2008-2020年流域内48个气象站的监测数据和头道拐水文站径流数据,系统分析了黄河上游流域径流量与气候要素变化的关系,并建立径流量预测模型。结果表明,单一月份的月平均气温、月降水量和月蒸散发量多未表现出显著的年际变化趋势,但年平均气温和年降水量显著上升,而年蒸散发量也有上升趋势但统计不显著;多数单一月份的月径流量和年径流量均在年际上呈显著增加趋势。在月平均气温、月降水量、月蒸散发量均与月径流量显著相关的基础上,基于气候要素建立的黄河上游流域径流量预测模型具有良好的预测效果。     

基于误差修正模型的河川年径流量预测研究

对河川径流量预测进行了研究.考虑到年平均水位与年径流量关系密切,误差序列一般不是白噪声序列等因素,用传统的预测模型预测效果不佳.误差修正模型不需要假定误差序列是白噪声序列,只要变量间存在协整关系.利用年平均水位与年径流量的协整关系建立误差修正模型,并加以分析,得到了更好的预测模型.     

甘肃河西区出山径流统计特性分析与预测

根据甘肃可西区出山口水文站最新径流资料,对该区年、月径流统计特性（如自相关性、长持续性、径流年代变化、趋势性、周期性及年内变化等）利用Hurst系数、简单分波法等进行了分析,建立了该区年径流统计预测模型,结果表明该区年径流存在着明显的趋势性及长持续性,50年代径流偏丰,90年代有偏枯趋势,建立的时间序列预测模型,做出两步预测,相对误差可控制在20％以内。     

信息扩散方法在大坝监测效应量预测中的应用

在大坝安全监测中,为了解决小样本导致的效应量预测误差较大的问题,在考虑增加样本信息的基础上,建立基于二维正态信息扩散离散回归的效应量预测方法。利用模糊推理和信息集中的基本理论,结合灰色关联度法,对大坝安全监测效应量进行分析和预测,应用综合有效度指标评价该预测方法的效果。结果表明,基于信息扩散的预测方法避免了多种不确定因素影响下小样本预测的困难,提高了拟合和预测精度。     

用信息扩散理论分析高海拔、寒、旱地区矿山事故风险

利用青海省安全监督管理局数据库近六年以来矿山事故数据,采用信息扩散理论,从矿山事故概率和矿山事故人员死亡概率两个方面对高海拔、寒、旱地区矿山事故进行风险分析,建立了适合本地区特殊要求的矿山事故分析模型.分析模型、参数和预测结果均与实际情况吻合,说明应用信息扩散对高海拔、寒、旱地区矿山事故进行风险分析,能够预测出该地区矿山企业年均发生事故的概率及矿山事故人员死亡概率.     

基于LSTM网络鄱阳湖抚河流域径流模拟研究

水文预报及其径流变化趋势预测能够为防汛工作提供辅助决策,是水库调度兴利的重要手段.与传统分布式水文模型相比,利用长短期记忆网络(LSTM)建立降雨径流预报模型具有简单可行和精度较高的优点.该文以鄱阳湖抚河流域为研究对象,采用抚河流域的降雨和径流数据分别作为模型驱动数据和标签数据,通过LSTM网络实现抚河流域的径流模拟工作.结果表明：在使用气象站数据建立的日尺度径流模拟模型中,模拟结果与实测值相关性均达到0.9以上,偏差在±5%以内,模型表现非常好;在使用TRMM数据建立的月尺度模型中,整体模拟结果与实测值相关性在0.9以上,整体偏差在±5%以内,模型表现优秀.     

模糊控制中近似推理的插值模型

提出一种新的模糊控制近似推理模型——插值模型,即用多元插值方法来进行近似推理．在精确插值问题基础上提出模糊插值问题,并给出插值公式     

基于高斯过程回归的建筑物震陷量预测模型

城市抗震防灾系统是一个复杂开放巨系统,系统中由于灾情的动态演化导致的建筑物震陷量形成机理也日趋复杂。本文根据高斯过程理论和贝叶斯规则,对训练样本进行的“归纳推理学习”,即综合先验信息,调整各随机变量的后验分布,进而提出基于高斯回归过程的建筑物震陷量非线性预测模型。采用EP算法获得预测样本潜在函数的近似后验高斯分布,并对其超参数和协方差函数的选择进行了探讨,利用LSSVM模型、PLS模型和MLR模型等统计模型对建筑物实测震陷样本进行预测训练,通过模型的交叉验证分析及建模参数详细对比分析,验证了预测模型的科学性和可靠性,可为城市抗震防灾决策提供借鉴。     

广义相加模型在乌江夏季径流预报中的应用

基于前期冬季海温指数,构建具有4个非线性指数和9个线性指数的广义相加模型(GAM),对乌江流域洪家渡夏季径流进行了模拟与预测,利用5种评估指标,包括最小信息准则(AIC)、均方根误差(RMSE)、平均绝对误差(MAE)、概率空间线性误差(LEPS)和线性相关(r),评估GAM和广义线性模型(GLM)模拟效果。结果表明:在AIC、RMSE和LEPS评估指标上,GAM的模拟效果与实测值相比均小于GLM,在线性相关系数上显著大于GLM。因此,GAM的模拟效果明显优于GLM。利用留一法交叉验证对洪家渡夏季径流分别进行了GAM和GLM预测,结果表明,GAM与实测数据的相关系数提高到0.41,相对误差小于30%的预测值达到60%以上,特别是在洪家渡典型洪水年中,GAM的预测误差仅在10%左右,在典型干旱年中,GAM的预测误差小于10%,GAM的预测结果比GLM明显改善。因此,考虑了径流量与预报因子的非线性关系,在径流预报中使用GAM进行建模,能够有效改善线性回归模型的模拟效果和预测精度。