莺落峡是黑河干流出山口径流量的重要控制站,莺落峡径流量的多少直接影响着该流域经济、社会的发展和生态环境保护,水资源分配和调度的管理和决策。论文基于人工神经网络,对莺落峡径流进行了模拟预测。将月径流分为汛期和非汛期,分别建立BP人工神经网络,通过对径流分类前后的模型进行比较,发现分类后的月径流BP模型的性能显然优于未分类的模型,故此设计了4种不同气候情景,采用分类后的模型对莺落峡2030年的径流量进行了预测。即,在降水量不变、气温增加0.5℃,2030年莺落峡年径流量将增加8.92%;气温增加1℃、降水量不变,年径流量将减少5.414%;气温不变、降水量增加10%,年径流量将增加9.905%;气...

【目的】揭示径流时间序列变化规律并进行预测,为水库调度提供指导。【方法】针对径流时间序列的非线性特点,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌相空间重构的径流量预测BP网络模型,并利用该模型对位于陕西省汉江上游的石泉水文站的径流时间序列进行了预测。【结果】实例计算结果表明,石泉水文站月平均流量的时间序列具有混沌性,最大嵌入维数为12,依此构建的BP神经网络收敛速度快、预测精度较好。【结论】利用重构相空间中的最佳嵌入维数,可合理确定BP神经网络的输入层节点数。

为了提高水库和河流中长期径流预测精度,提出了弹性自适应人工鱼群算法(RAAFSA)。应用RAAFSA算法训练BP神经网络,实现BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对石泉水库进行中长期径流预测。仿真计算表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法、人工鱼群-BP神经网络算法和RBF神经网络算法。该混合算法克服了BP神经网络和人工鱼群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,每次预测相对误差绝对值都小于6%,合格率达到100%。该算法成功地解决了石...

　基于混沌时间序列的重构相空间、遗传算法的良好全局搜索和神经网络精确的局部搜索特性,以重构相空间中的饱和嵌入维数作为神经网络输入层节点数,通过采用遗传算法优化神经网络初始权重,将重构相空间、遗传算法、神经网络三者有机地结合,提出并建立了相空间遗传BP神经网络预测模型。将该模型用于黄河上游月径流预测,结果表明,该模型应用在水文时间序列的预测中是合理、可行的,并具有较高的精度。

在土壤质地、土壤容重和含水量一定的情况下 ,把土壤溶质运移时间和运移距离看作影响土壤溶质运移的主要参数 ,建立2个输入单元和 1个输出单元的三层BP网络 ,对一维垂直土柱Cd2 + 的穿透试验进行了模拟和预测。其预测结果同数值解相比 ,R2 =0 .94 9,精度基本一致。可见BP网络预测模型反映了溶质穿透过程中 ,土壤溶质含量与运移时间和距离的动态关系 ;用BP网络预测土壤溶质含量的时空变化具有可行性 ,而且不需要建立具体的数学模型 ;工作量大大减小 ,不需要测定水动力弥散系数、阻滞系数等 ,具有很强的实用性

建立了基于径流形成机理的以时段降水量与前期径流量为预报因子的前向多层人工神经网络径流预报模型；分析了网络结构对月径流预报精度的影响，发现随网络结构的复杂化，网络训练误差减小，模型评定的确定性系数增大，并均趋于稳定，预报检验的确定性系数总趋势是减小；发现影响模型精度的决定因素是网络输入单元数，亦即径流影响因素；提出了以模型评定与预报检验共同高效或等效的模型选择的折衷方法，以及按模型适宜预报域进行多模型组合预报的最佳预报域组合法。

针对模型预测控制(model predictive control,MPC)优化求解中占用资源较多、实时性较低且实现相对复杂的问题,该文提出了一种基于现场可编程模拟阵列(field programmable analog array,FPAA)模拟神经网络的快速模型预测控制算法。通过FPAA模拟电路来实现基于连续神经网络的二次规划求解,有效规避了离散神经网络的收敛性问题,具有求解速度快、占用资源小、简单易实现的特点;通过平移变换和尺度变换方法,解决FPAA模拟电路的信号限制。最后该文给出了FPAA模拟神经网络预测控制软硬件设计方案并通过实验验证了该算法的有效性。

径流预测历来是水利部门的一项重要工作,针对水库和河流中长期径流预测精度不高,提出了自适应调节人工蚁群算法(ARACS),对RBF神经网络参数进行优化,建立了自适应调节人工蚁群-RBF神经网络组合算法(ARACS-RBF)预测模型,综合考虑影响径流预变化因素,对安康水库进行中长期径流预测。对预测效果进行检验,结果证实该模型可真实地反映河川径流变化的总体趋势,并为判断时间序列数据的非线性提供了一种新方法。与RBF神经网络模型、人工蚁群-RBF神经网络模型预测结果进行对比,结果表明,应用ARACS-RBF模型对中长期径流量进行预测,预测精度更高、效果更好。该方法克服了RBF神经网络和人工蚁群算法易陷...

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.

基于混沌理论和神经网络理论,研究水文科学的尺度问题,将混沌神经网络分析方法应用于径流的降尺度分析。首先通过对年径流量分解到月径流量的分解系数的分析,证明了分解系数具有混沌特性;其次利用相空间BP神经网络模型对分解系数进行预测,并根据预测结果进行月径流量的降尺度计算。实例研究表明,用神经网络拟合分解系数相空间的相点演化非线性关系和用相空间神经网络模型对径流作降尺度分析是可行的。

降雨侵蚀力变化是一复杂过程,其变化存在一定的随机波动性,土壤侵蚀是三峡库区生态环境脆弱最主要的影响因素之一,查明库区土壤侵蚀强度的演化过程及未来趋势是库区生态文明建设过程中急需解决的关键科学问题。论文基于三峡库区1990年侵蚀降雨特征,利用BP神经网络对2010年75个站点降雨侵蚀力进行模拟、验证,预测2030年75个站点降雨侵蚀力。选取2030年预测结果中位于库区周围的27个站点,结合2030年库区自然增长、生态保护情景下土地利用模拟数据,使用RUSLE计算2030年土壤侵蚀强度。结果表明:1)2010年库区降雨侵蚀力模拟相对误差为15%,测试样本数据相对误差为14.67%,预测相对误差为19.65%,NE系数为0.85,说明BP神经网络对库区降雨侵蚀力具有良好模拟效果;2)2010年库区土壤侵蚀强度的Kappa指数为0.75,计算结果能满足模拟与预测需求;3)在土地利用不变情况下,2030年库区轻度、中度侵蚀面积均有所增加,微度及强烈以上侵蚀面积均呈减少趋势,且侵蚀强度转变中的58%来源于相邻侵蚀强度,跨侵蚀等级区的较少;4)在降雨侵蚀力不变情况下,自然增长、生态保护情景下未来土地利用变化所导致的土壤侵蚀均呈下降趋势,后者下降的趋势更为明显;5)在降雨侵蚀力及土地利用均变化的情况下,自然增长、生态保护情景下土壤侵蚀均呈下降趋势。

以马尾松人工林为研究对象,用人工神经网络建模技术构建了林分直径分布预测模型。经训练和优选,得到的理想模型结构为3∶6∶6∶1,训练误差指标为0.000281,总体拟合准确度为98%。模型对82块训练标准地的累积频率拟合准确度最大为100%,最小为95%,平均为98%;频率拟合准确度最大为96%,最小为75%,平均为87%。模型对18块检验标准地的累积频率预测准确度最大为99%,最小为97%,平均为98%;频率预测准确度最大为96%,最小为76%,平均为88%。所建模型具有很好的拟合效果和很强的预测能力,可用于10～30年生马尾松人工林。研究结果证明,人工神经网络技术可以作为有效的林分直径分布预...

针对无监测站的河流断面的径流量预测难的问题,选取了有针对性的影响因子,采用人工神经网络的BP改进算法—自适应调节学习速率算法,以Matlab神经网络工具箱为工具,以辽河干流铁岭站为假想对象,建立了无站条件下年径流量预测模型,模型训练48次误差达到要求,以2004～2006年3年实测资料作为检验样本进行仿真,验证模型的精度。仿真结果表明:3年预测结果全部满足要求,说明该模型可用于河流任一断面年径流量的预测。

考虑到鄱阳湖水位受流域五河与长江来水等多因素的共同作用而表现出高度非线性响应,采用典型的三层BPNN神经网络模型来模拟鄱阳湖水位与其主控因子之间的响应关系。分别将湖口、星子、都昌、棠荫和康山水位作为目标变量进行BPNN模型构建和适用性评估。结果显示:综合考虑流域五河及长江来水(汉口或九江)的BPNN水位模型,空间站点水位模拟精度(R2和Ens)可达0.90以上,各站点的均方根误差(RMSE)变化范围约0.50~1.0m,若忽略长江来水的影响作用,仅将流域五河来水作为湖泊水位的主控影响因子,模型训练期与测试期的纳希效率系数(Ens)和确定性系数(R2)显著降低,且低于0.50,均方根误差(RMS...

[目的]地面太阳辐射数据的获取受限于稀少的太阳辐射观测站点，气象卫星可以提供较高的时间和空间分辨率数据，为模拟太阳辐射提供了新的数据源；引入人工神经网络模型模拟太阳辐射可以获取更精准的数据指导农业生产。[方法]利用气象卫星数据构建模拟太阳辐射的模型，在晴天和有云2种天气情况下，分别借助随机梯度下降算法（Stochastic Gradient Descent， SGD）、均方根传播算法（Root Mean Square Propagation， RMSprop）、自适应动量估计算法（Adaptive Momentum Estimation， Adam）优化的BP神经网络方法构建不同输入变量组合的晴空模型和云空模型，选取最优的算法和模型；再综合晴空模型和云空模型的结果，得到全天空条件下的太阳辐射模拟结果。[结果]（1）BP神经网络的优化算法中，RMSprop和Adam算法比SGD算法表现更好，损失函数收敛更快且更稳定，误差更小；晴空模型采用RMSprop算法优化的BP神经网络模型，相关系数R为0.950，均方根误差RMSE为84.27 W·m~(-2)，平均绝对误差MAE为58.99 W·m~(-2)；云空模型采用Adam算法优化的BP神经网络模型，R为0.884，RMSE为124.13 W·m~(-2)，MAE为88.08 W·m~(-2)。（2）利用卫星数据和地面气象数据共同作为输入变量构建的模型相比于不利用地面气象数据构建的模型效果更优，R增加0.015，RMSE减小11.93%，MAE减小21.77%。在云空模型的输入变量中增加反映云透光性的云光学厚度也可以减小模型的误差，R增加0.018，RMSE减小6.45%，MAE减小7.41%。（3）在输入变量相同的情况下，晴空模型模拟地面太阳辐射的精度比云空模型更高，R增加0.066，RMSE减小32.11%，MAE减小33.03%。晴空较有云的天气状况更加稳定，模拟效果更好。[结论]通过不同优化算法的选择，以及利用卫星数据和地面气象数据共同构建模型，可以显著提升模型的精度。模型可以应用于解决部分地区太阳辐射值缺失的问题，对于需要利用太阳辐射数据进行研究的农业领域具有重要的意义。