基于径向基函数神经网络的洪水预报方法

为了便于快速而又相对准确预测山区流域洪水,通过构造源于高斯函数、指数函数、一次函数、余弦函数的4种径向基函数,采用正交最小二乘法确定径向基函数的中心,基于伪逆规则求解权值,选择崇阳溪流域建阳水文站1959—1998年36场洪水流量过程及上游支流武夷山水文站、麻沙水文站相应洪水流量过程资料,同时考虑建阳水文站洪水流量自回归的影响,分别建立4种径向基函数神经网络洪水预报模型。采用建阳站1999—2012年的8场洪水资料对模型进行验证。结果表明:4种径向基函数神经网络洪水预报模型的确定性系数均在0.95以上,模型有效性合乎要求;相对来说,本次构造的余弦函数所建立的神经网络模型,8场洪水过程预测值与实测值的平均相对误差最大值为9.8%,其洪峰流量预测值与实测值相对误差最大值为9.7%,模型预测精度最好。最终选择余弦函数作为建阳站神经网络洪水预报模型的径向基函数。

基于LMBP算法的崇阳溪流域降雨径流预报模型研究

采用泰森多边形法对流域进行划分,分别确定崇阳溪上游流域6个雨量站控制子流域的面积权重.选择1997至2014年的14场流域降雨径流过程为训练样本,以上游6个雨量站的时段雨量和武夷山水文站前期流量为输入,武夷山水文站相应流量为输出,采用3层网络,其中隐含层节点数采用试算法确定,建立崇阳溪上游流域LMBP神经网络降雨径流预报模型.利用余下的7场降雨径流过程对模型进行检验,结果表明,模型运算速度快、时效性好,预报精度符合要求,可以用于流域的降雨径流预报.

基于弹性梯度下降算法的BP神经网络降雨径流预报模型

运用反向传播(back propagation,BP)的改进算法弹性梯度下降算法,选择崇阳溪上游流域1997—2014年的14场降雨径流过程,以流域内洋庄、吴边、大安、坑口、岭阳、岚谷6个雨量站的实测降雨量和武夷山水文站的前期流量资料为输入,武夷山水文站相应流量为输出,建立弹性梯度下降算法的BP神经网络降雨径流预报模型,采用7场降雨径流过程对模型进行检验。结果表明,与传统的反向传播算法相比,该模型所需的参数较少,运算速度显著提高,模型的预报精度满足要求,可以为防汛部门预测洪水提供依据。