共查询到19条相似文献，搜索用时 203 毫秒
1.
基于人工神经网络基本原理和方法,构建多隐层BP神经网络径流预测模型,以新疆伊犁河雅马渡站径流预测为例进行分析,并构建常规单隐层BP以及RBF、GRNN神经网络模型作为对比分析模型,将各模型预测结果与文献[1]中的预测结果进行比较,结果表明:(1)多隐层BP神经网络径流预测模型泛化能力强,预测精度高,算法稳定,模型精度优于IEA-BP网络模型,表明研究建立的多隐层BP神经网络模型用于径流预测是合理可行的,是一种可以应用于水文径流预测预报的新方法.(2)RBF、GRNN神经网络径流预测模型预测精度高于常规单隐层BP网络模型,且RBF与GRNN神经网络模型具有收敛速度快、预测精度高、调整参数少,不易陷入局部极小值等优点,可以更快地预测网络,具有较大的计算优势. 相似文献
2.
为提高多种典型人工神经网络应用于降水预报的精度与稳定性并做出优选,对太湖流域湖西区丹徒、丹阳、金坛、溧阳、宜兴5站的年降水量时间序列建立基于组成成分分析的人工神经网络模型,并通过平均相对误差、平均绝对误差、均方根误差及合格率4项评价指标对比分析预报效果。该模型采用Mann-Kendall法、秩和检验法、谱分析法进行组成成分分析;建立BP网络、小波神经网络、RBF网络、GRNN网络及Elman网络模拟并预测随机成分,与确定性成分叠加得年降水量预报结果。在湖西区的研究结果表明,基于组成成分分析的人工神经网络模型的拟合及预测精度高于原始人工神经网络和线性自回归模型,GRNN网络的预测精度与稳定性高于其他4类神经网络。 相似文献
3.
受全球气候变化与人类活动影响,径流序列愈发呈现出非稳态与非线性特征,为降低由此而引发的预报误差,充分发挥不同模型对提高径流预测精度的优势,针对传统径流预报模型的单一性,以干旱区典型内陆河玛纳斯河为例,采用经验模态分解(EMD)提取径流序列中具有物理含义的信号,得到不同时间尺度的多个固有模态函数(IMF)及1个趋势项,利用 ARIMA模型与GRNN模型分别对不同时间尺度的IMF分量进行模拟,分析径流未来变化趋势。运用多元线性回归法、Spearman相关系数法、平均影响值法筛选大气环流因子作为神经网络模型的输入项,根据子序列的局部频率特点构建组合模型。最后将各IMF分量的预测结果重构,得到径流的最终预测值。单一评价指标无法全面评价模型精度,本文通过构建TOPSIS评价模型对径流预测模型进行定量评估,客观评价模型优度。结果表明:EMD分解能有效提取径流序列中隐含的多时间尺度信号,由趋势项可知玛纳斯河径流量总体呈上升趋势;EMD分解可提高ARIMA模型25%的合格率,但对于高频率分量IMF1、IMF2、IMF3,ARIMA模型的相对误差达到70%以上,预测结果不理想;经过筛选预报因子可有效提高GRNN模型精度,其中MIV法筛选的预报因子最适合玛纳斯河,与EMD-ARIMA组合后的GRNN模型的合格率最高,TOPSIS模型得分也最高。预测结果可作为水资源规划与调度的科学依据,建模思路也可为优化径流预测模型提供新途径。 相似文献
4.
5.
6.
致密砂岩气层压裂产能及等级预测方法 总被引：1，自引：0，他引：1
致密砂岩储层孔隙度小、渗透率低、含气饱和度低,基本上没有自然产能,需要进行压裂,因此进行压裂产能的预测很有必要。笔者研究了鄂尔多斯盆地苏里格东部地区盒8段致密砂岩气层的压裂产能及等级预测。利用反映储层流动性质的测井参数(电阻率、自然伽马、声波时差、中子、密度)与反应压裂施工情况的压裂施工参数(单位厚度砂体积、砂比、砂质量浓度、单位厚度排量、单位厚度入井总液量),选择数学统计方法神经网络法进行致密砂岩气层压裂产能等级预测。分析比较Elman神经网络、支持向量回归(SVR)、广义回归神经网络(GRNN)3个神经网络预测致密砂岩气层压裂产能模型的网络结构参数、回判及预测精度以及运行耗费时间。结果表明:3个模型中,GRNN网络参数只有1个,回判和预测精度最高,运行时间小于1 s。因此,选择GRNN模型预测致密砂岩气层压裂产能,并用于苏里格东部地区致密砂岩气层压裂产能的等级预测。等级预测准确率达到90%。 相似文献
7.
揭示变化环境下非平稳径流序列波动特征,可为提高径流预测精度和涉水工程规划提供支撑。针对径流序列具有非平稳性、周期性和异方差性的特征,收集长江流域攀枝花、城陵矶和大通站2008—2018年实测径流资料,基于周期趋势分解法(STL)将原始数据分解为周期项、趋势项和剩余项,结合各子序列特征采用多模型集成获取未来径流的综合预测值,并将预测结果与Prophet、LSTM和GARCH等单一模型进行对比。结果表明：联合机器学习和时序分解的集成模型在多个评价指标上均优于单一模型,且对异方差效应显著的站点模拟精度提升明显;验证期内3个站点的纳什效率系数分别为0.96、0.95和0.93,表明该模型能有效模拟长江流域径流波动过程。 相似文献
8.
区别于传统的提取混沌时间序列饱和嵌入维数的方法,本文利用人工神经网络成功地对水库混沌径流时间序列的饱和嵌入维数进行了提取,计算了该时间序列里的最大Lyapunov指数,两种方法结果都证明了该时间序列的混沌性。并用遗传算法对BP神经网络进行了改进,利用该模型对三门峡水库混沌径流时间序列进行了预测。实例计算表明该方法解决了BP神经网络收敛速度慢和易于陷入极小值的问题,大大提高了BP神经网络的计算精度和收敛速度。无论在计算精度上还是在收敛次数上都优于没有改进的BP神经网络。 相似文献
9.
南洞地下河月径流时间序列的混沌特征及预测 总被引：2，自引：1，他引：1
利用基于相空间重构技术、混沌识别与预测理论对1993-2013年南洞地下河月径流时间序列的非线性特征进行了分析,由所获得的延迟时间和最佳嵌入维数实现了月径流时间序列的相空间重构,运用饱和关联维数法和小数据量法计算出南洞地下河月径流时间序列的饱和关联维数和最大Lyapunov指数,并运用Volterra模型对南洞地下河月径流时间序列进行了多步预测研究。研究结果表明,南洞地下河月径流时间序列相空间重构的延迟时间和最佳嵌入维数分别为τ=5、m=8,饱和关联维数D和最大Lyapunov指数λ分别为4.63、0.748 9,从定性和定量的角度证明了南洞地下河月径流时间序列具有弱混沌特征。Volterra自适应滤波模型的预测结果能较好地表征南洞地下河月径流的变化趋势和规律,对18个月内的短期预测精度较高,模拟效果较好。 相似文献
10.
将偏最小二乘回归（PLS）与神经网络（NN）耦合，建立了储层参数预报模型。利用偏最小二乘对影响储层参数的诸多因素进行分析，提取对因变量影响强的成分，从而克服了变量间的多重相关性问题，降低了神经网络的输入维数；同时，利用神经网络建模可以较好地解决非线性的储层参数预测问题。计算实例表明，本耦合模型的拟合和预报精度优于独立使用神经网络模型的精度。 相似文献
11.
12.
径流过程具有分形和灰色特征。基于此,将R/S分析与灰色系统理论相结合,提出了R/S灰色预测模型以预报河流年径流量。针对黑河正义峡水文站60a(1949~2011年)的年径流量资料,首先进行R/S分析,确定径流量序列的Hurst指数H和平均循环周期T;然后在一个周期内进行年径流量灰色预测。结果表明:R/S灰色预测结果的精度明显高于直接进行灰色预测的精度。该方法拓宽了分形和灰色理论在径流过程研究的应用范围,为河流径流量的科学预测提供了一种新方法。 相似文献
13.
准确预测露天矿边坡变形是有效实现边坡临灾预警的重要保证,针对传统边坡变形预测方法无法表征和综合分析边坡变形受多种因素的影响,提出一种露天矿边坡变形的人工蜂群(ABC)算法优化广义回归网络(GRNN)组合预测模型(ABC-GRNN)。在此预测模型中,综合考虑了影响露天矿边坡变形的5个因素：开采扰动、降雨量、降雨持续时间、温度以及湿度。以山西中煤平朔安家岭露天矿为例,通过遗传算法改进BP神经网络(GA-BPNN)、支持向量机(SVM)等人工智能算法与实测变形数据进行预测效果对比分析。结果表明：ABC算法能够快速帮助GRNN寻优获取合适的传递参数,并对变形进行有效的预测。ABC-GRNN组合预测模型,将预测结果的平均绝对误差292.9 mm、平均绝对百分比误差0.691 3%及均方根误差338.9 mm分别降低到25 mm、0.043 3%和29.5 mm,说明该模型具有更高的预测精度;ABC-GRNN模型比其他模型收敛速度快,只经过7步的迭代,即可得到最小的均方误差。与其他预测模型相比较,本文模型的预测精度更高、泛化能力更强、收敛速度更快,有较高的实用价值。 相似文献
14.
Satanand Mishra C. Saravanan V. K. Dwivedi J. P. Shukla 《Journal of the Geological Society of India》2018,92(3):305-312
In this research, k-means, agglomerative hierarchical clustering and regression analysis have been applied in hydrological real time series in the form of patterns and models, which gives the fruitful results of data analysis, pattern discovery and forecasting of hydrological runoff of the catchment. The present study compares with the actual field data, predicted value and validation of statistical yields obtained from cluster analysis, regression analysis with ARIMA model. The seasonal autoregressive integrated moving average (SARIMA) and autoregressive integrated moving average (ARIMA) models is investigated for monthly runoff forecasting. The different parameters have been analyzed for the validation of results with casual effects. The comparison of model results obtained by K-means & AHC have very close similarities. Result of models is compared with casual effects in the same scenario and it is found that the developed model is more suitable for the runoff forecasting. The average value of R2 determined is 0.92 for eight ARIMA models. This shows more accuracy of developed ARIMA model under these processes. The developed rainfall runoff models are highly useful for water resources planning and development. 相似文献
15.
准确可靠的径流预测对于水资源的科学管理与规划具有重要意义,特别是在水资源紧缺的干旱半干旱地区,径流预测对流域内水资源高效利用与水利工程经济运行具有重要现实意义。针对径流预测通常采用单一方法进行建模与预测,难以利用各预测模型优势的问题,本文利用极限学习机（ELM）模型、支持向量机（SVM）模型、多元自适应回归样条（MARS）等机器学习方法建立了疏勒河上游未来1~7日的径流预测模型。在此基础上,运用贝叶斯模型平均（BMA）方法对ELM、SVM、MARS模型的预测结果进行组合,构建了径流组合预测模型,以获取更可靠的预测结果,并采用蒙特卡洛抽样方法获取BMA的95%置信区间,对预测结果进行了不确定性分析。结果表明：ELM、SVM、MARS模型以及BMA组合模型均适用于干旱半干旱地区的中长期日径流预测;BMA的预测精度较单一模型更高,能够提供更准确的预测值;BMA的95%置信区间对实测值覆盖率高,同时能够提供较好的确定性预测和概率预测结果。表明BMA在资料有限的条件下,表现出较单一模型更高的预测性能,可以成为干旱半干旱地区中长期日径流预测的有效方法。 相似文献
16.
This paper presents slope stability evaluation and prediction with the approach of a fast robust neural network named the extreme learning machine (ELM). The circular failure mechanism of a slope is formulated based on its material, geometrical and environmental parameters such as the unit weight, the cohesion, the internal friction angle, the slope inclination, slope height and the pore water ratio. The ELM is proposed to evaluate the stability of slopes subjected to potential circular failures by means of prediction of the factor of safety (FS). Substantial slope cases collected worldwide are utilized to illustrate and assess the capability and predictability of the ELM on slope stability analysis. Based on the mean absolute percentage errors and the correlation coefficients between the original and predicted FS values, comparisons are demonstrated between the ELM and the generalized regression neural network (GRNN) as well as the prediction models generated from the genetic algorithms. Moreover, sensitivity analysis of the slope parameters and the ELM model parameters is carried out based on the two utilized evaluation functions. The time expense of the ELM on slope stability analysis is also investigated. The results prove that the ELM is advantageous to the GRNN and the genetic algorithm based models in the analysis of slope stability. Hence, the ELM can be a promising technique for approaching the problems in geotechnical engineering. 相似文献
17.
18.
采用贝叶斯概率水文预报理论制订水电站水库中长期径流预报模型,以概率分布的形式定量地描述水文预报的不确定度,探索概率水文预报理论及其应用价值。采用气象因子灰关联预报模型处理输入因子的不确定度,将实时气象信息和历史水文资料有效结合,突破传统确定性预报方法在信息利用和样本学习方面的局限性,以提高水文预报的精确度。以丰满水电厂水库为例对所建模型进行检验,模拟计算结果表明,该模型与确定性径流预报方法相比,不仅有利于决策人员定量考虑不确定性,而且在期望意义上提高了径流预报精度,具有较高的应用价值。 相似文献
19.
Due to the limitations of model performances, the predictive skills of current climate models for the Asian-Australian summer monsoon precipitation are still poor. The prediction based on the combination of statistical and dynamic approaches is an effective way to improve the predictive skills. We used such method to identify the predictable modes of the Asian-Australian summer monsoon precipitation with clear physical interpretation from the historical observational data. Then we combined the principal components time series of these modes predicted by the coupled models, which is derived from the seasonal prediction experiments in the ENSEMBLES project, and the corresponding spatial patterns derived from the above observational analysis to reconstruct the precipitation field. These formed a statistical-dynamic seasonal prediction model for the Asian-Australian summer monsoon precipitation. We analyzed the predictive skills of the model at 1-, 4-and 7-month leads. The result shows that the forecast skills of the statistical-dynamic prediction model are higher than those of the simple dynamic predictions. In addition, the predictive skills of the Multi-Model Ensemble (MME) mean are superior to those of any individual models. Therefore, it is very necessary to implement multi-model ensemble prediction for the monsoon precipitation. 相似文献