相空间小波网络模型及其在水文中长期预测中的应用

简述了相空间小波网络模型原理和算法，并通过实例讨论了其在水文中的应用。研究结果初步表明，小波分析及由其发展出的小波网络模型在水文分析中是可行的、合理的。数学分析工具更为先进，将混沌重建相空间理论和小波网络模型相结合，对揭示水文动力系统复杂的非线性结构是很有效的，在水文中长期预测中具有较大优越性。

日流量预测的小波网络模型初探

针对日流量时间序列的非线性和多时间尺度特性,提出了将小波分析与人工神经网络相结合进行日流量预测的新方法———小波网络模型。该模型吸取了小波分析的多分辨功能和人工神经网络的非线性逼近能力。以长江寸滩站日流量预测为例,研究表明,所构造的模型各预见期的拟合、检验精度较高。小波网络模型延长了预见期,提高了预报精度,具有广阔的应用前景。

浅层地下水位预测的小波网络模型

针对浅层地下水位时间序列动态变化的非线性和复杂性 ,提出了基于小波分析与人工神经网络相结合的预测方法———小波网络模型。小波网络模型吸取了小波分析的多分辨功能和人工神经网络的非线性逼近能力。实例计算结果表明 ,建议模型不同预见期的拟合和检验精度很高。小波网络模型延长了预见期 ,提高了预报精度。

小波网络模型在隔河岩水库径流预测中的应用

基于小波分析与人工神经网络提出一种小波网络模型,模型吸取了小波分析的多分辨功能和人工神经网络的非线性逼近能力,预测精度较好。在清江隔河岩水库年、月径流中长期预测中,得到满意的结果。

基于神经网络模型的朝阳市生猪价格预测

选取2020年1月至2023年6月朝阳市生猪日价格和猪饲料中豆粕的日价格作为研究数据,分别建立BP神经网络模型和小波神经网络模型对朝阳市生猪价格进行预测.将前160周的价格数据作为BP神经网络模型和小波神经网络模型训练集数据,161~180周的价格数据作为预测数据,通过图形显示预测值和实际值变化,计算2种神经网格模型的平均绝对误差和均方根误差.通过误差比较分析得出,在朝阳市生猪价格波动领域,小波神经网络模型优于BP神经网络模型,建议推广应用.

施工场景下灰色小波神经网络短时交通量预测模型研究

在城市道路施工场景下应用短时交通量预测对提高施工区域交通效率及安全水平至关重要。考虑到施工场景下短时交通量历史样本量小且样本呈现非线性的特点,引入灰色预测模型,构建施工场景下的灰色小波神经网络短时交通量预测模型。以行宫西大街由西向东断面的交通量数据为例,分别基于小波神经网络短时交通量预测模型、灰色小波神经网络短时交通量预测模型,利用Matlab进行训练。结果显示,灰色小波神经网络短时交通量预测结果的平均绝对误差、平均相对误差和均方误差相较于小波神经网络短时交通量预测模型,分别降低了74.14%、75.21%和92.70%,该模型对城市道路施工场景下的短时交通量预测精确度更高。

基于小波神经网络的地下水流数值模拟模型的替代模型研究

以吉林西部为研究区,建立地下水流数值模拟模型,分别应用蒙特卡罗方法和拉丁超立方方法在研究区10个县(市)开采量的可行范围内进行采样,经对比选择拉丁超立方抽样结果得到输入(开采量)—输出(水位降深)数据集,建立小波神经网络模型作为地下水流数值模拟模型的替代模型,而后对替代模型有效性作误差分析,并与多元非线性回归替代模型进行对比.结果显示,2种替代模型在功能上都能逼近地下水流数值模拟模型,但小波神经网络模型得到的水位降深均值和水位降深剩余标准差与模拟模型计算结果的相对误差分别低于多元非线性回归模型76%和45%,说明小波神经网络模型更适合作为地下水流数值模拟模型的替代模型,这为减少优化模型求解过程中直接调用模拟模型所造成的计算负荷提供了一种有效的替代方法.

基于Matlab的小波神经网络参考作物腾发量预测模型研究

参考作物腾发量是估算作物蒸发蒸腾量的关键参数,它的准确预测对提高作物需水预报精度具有重要的意义。将小波神经网络引入到参考作物腾发量的预测中,利用Matlab工具,以大连地区为例,建立小波神经网络模型和灰色新陈代谢GM(1,1)预测模型,并对预测结果进行对比分析。结果表明:小波神经网络模型预测结果精度均在2级以上,与参考作物腾发量计算值绝对相对误差均值达到5.5%,准确性优于灰色新陈代谢GM(1,1)预测模型,达到较好的预测效果,为参考作物腾发量预测提供新方法。

基于小波神经网络的参考作物腾发量预测模型研究

为提高某一地区农业用水效率,进行区域水资源的优化配置。本文以辽宁大连地区1954-2005年参考作物腾发量资料为依据,借助于Matlab工具,分别建立结构为8-12-4和10-12-2的小波神经网络进行参考作物腾发量预测,结果表明:在年度和季节尺度上,小波神经网络模型预测结果与参考作物腾发量计算值绝对相对误差均值分别达到5.5%和4.3%,达到了较好的预测效果。该模型预测过程简单,预测结果可靠。为参考作物腾发量预测提供新方法。

基于FCM的小波神经网络模型在径流预测中的应用

针对径流变化存在的季节性差异,提出了一种在对预报因子集进行模糊聚类分析基础上构建径流预测模型的新方法:先通过模糊C-均值聚类将历史径流数据进行分类,然后利用小波神经网络分别建立预报因子集与观测值之间的局部预测模型,文中采用网络模型分类识别器,可自动搜寻相适应的局部网络模型进行预测.以西南某水库2006年日平均入库来流的计算实例对简单小波神经网络预测模型和文中所建的融合模型进行了比较.

基于小波网络的大坝非线性组合预测模型

针对大坝这一复杂的巨系统,为尽可能利用观测量的有用信息,引入了大坝非线性组合分析模型,并基于小波理论及人工神经网络原理构建了小波网络的大坝非线性组合预测模型。以龙潭混凝土大坝为例进行拟合和预测,计算结果与实测值吻合良好,表明本文方法可行、有效。

时间序列小波神经网络组合模型在年降雨量预测中的应用

在研究了降雨量特性的基础上提出了一种新型的组合预测模型即时间序列-小波神经网络模型(ARWNN)。以858农场为例,先利用时间序列模型对降雨量进行拟合,并将拟合结果作为小波神经网络的输入进行建模分析,并建立时间序列AR模型和小波神经网络模型与之比较,通过精度检验和对比分析结果表明,组合模型对降雨量的拟合及预测精度均较高。

滑坡变形的多因素小波神经网络预测模型

小波神经网络模型结合了小波变换良好的时频局域化性质及传统神经网络具有的自学习功能,具有良好的逼近与容错能力。以某水电工程区的典型滑坡为例,在对滑坡的基本特征、滑坡变形与主要影响因素相关关系进行分析的基础上,选择滑坡位移速率和对滑坡位移起控制作用的降雨2个因素,建立了滑坡变形的小波神经网络预测模型,并与其他多因素小波神经网络模型进行了比较。结果表明,所建的滑坡多因素小波神经网络模型的预测精度总体均比较高,其中以位移速率和降雨量建立的2因素小波神经网络模型的预测精度最高,优于其他小波神经网络模型。

煤炭需求预测的复合小波神经网络模型

应用复合小波神经网络模型对煤炭消费年增长率进行了预测 ,综合考虑了国内生产总值(GrossDemesticProduct,简称GDP)年增长率波动 ,主要用煤行业 (电力、冶金、建材、化工等 )的发展趋势 ,以及一次能源消费结构中煤炭消费下降的趋势等各种波动的影响 ,预测模型达到了很高的精度 ,用于近期预测是可靠的 .

用小波神经网络耦合模型预测流域年均产沙量

引入小波神经网络耦合模型对流域年均产沙量进行了定量研究。由于流域的地质、地貌、土壤在一定时间尺度内具有相对稳定的特性,选出年降雨量、年均气温、年径流量、大雨降雨量、暴雨降雨量、蒸发量、日照时数和汛期降雨量等8个要素作为模型的气候水文输入因子,而以耕地面积、林地面积、水库库容、修建公路、水土保持面积、裸地面积、年采矿量及年末总人口等8个要素作为模型的人类活动输入因子,对流域年均产沙量进行了定量建模预测。结果表明:小波神经网络耦合模型不仅拟合精度高,而且预测效果好,为流域产沙的定量研究提供了新的途径。

非线性逼近的自适应小波神经网络方法

利用小波空间中函数的多分辨率分解思想,构造了一种用于学习的小波网络模型。其中采用具有紧支撑集的尺度函数和小波函数作为激励函数,从理论上得到确定子网络隐层节点数目的依据,解决了传统学习网络隐层节点数难以确定的问题。模型包括初始的学习网络和在训练过程中不断并入的子网络。该模型通过自适应的并入新的子网络来不断提高学习精度,而对新子网络的训练不会影响到已训练成功的原网络的结构。实验也证明,这种网络不但可以精确的表示一般样本集的非线性关系,同样可以实现对混沌时间序列的精确学习。

R&D项目中止决策的小波网络模式识别

本文根据中止决策的实质及模式识别的基本原理 ,探讨了中止 R& D项目的一般模式识别程序。同时 ,基于小波基具有很强的自适应数据和函数变化的能力 ,进一步研究给出了一种基于小波网络的 R& D项目中止决策分析模式识别新方法 ,并在最小均方能量准则下 ,采用相应的共轭梯度学习算法求解子波函数线性组合的尺度和时延参数 ,以及神经网络的权值。本研究不仅克服了现有 R& D项目中止决策分析技术在构造与求解模型方面的某些局限性 ,并且为 R& D项目的跟踪管理提供了一种新的理论依据 ,为具体决策单位和政府有关部门对正在实施的 R&

基于改进小波神经网络模型的汤河含沙量预测研究

本文引入变量权重系数对小波神经网络进行改进,改善传统小波神经网络模型易出现局部收敛的缺陷,并将改进小波神经网络模型对汤河含沙量进行预测。研究结果表明:改进的小波神经网络模型改进了传统BP神经网络模型存在局部收敛的缺陷,在河流含沙量预测中,模拟的含沙量相对误差符合含沙量预测规范精度,可用于河流含沙量预测。研究成果对于河流含沙量预测提供参考价值。