人工神经网络峰值识别理论及其在洪水预报中的应用

本文在总结大量洪水预报实践经验的基础上 ,提出了一种峰值识别理论及相应的改进BP算法 (ErrorBackPropagationwithPeakRecognizer ,简称BPPR) .该理论及算法在修改网络权重时 ,偏重大值误差 ,即大值误差对权重的修改起主要作用 .这种BPPR算法使人工神经网络洪水预报模型对洪峰的预报精度显著提高 。

基于峰值识别理论的BP神经网络模型及应用

针对神经网络模型在进行河道洪水预报中,由于大流量样本少而使洪峰模拟精度不高的问题,在自适应BP模型的基础上,引入一种峰值识别理论,即对峰值样本的网络误差加入合理的误差修正系数,建立一种BP-PR算法模型。并将两种算法(BP,BPPR)模型进行了对比,通过实例计算,加入误差修正因子的BPPR算法模型比没有加入误差修正因子的BP算法模型对洪峰峰值的预报精度明显提高,而且总的模型的预报精度也有所提高,这对河道洪水预报在延长其预见期和提高其预报精度方面提供一种新的思路。

提高支持向量机洪水峰值预报精度研究

本文引入支持向量机算法进行流域洪水预报建模 ,同时针对训练样本的不平衡性 ,提出了一种能进行峰值识别的改进支持向量机算法 (SupportVectorMachinewithPeakRecognizer ,简称SVMPR)。该算法在结构风险最小化准则的目标函数中适当加大峰值样本的权重 ,从而提高支持向量机洪水预报模型对洪峰的预报精度。分别采用SVM算法和SVMPR算法对沙溪口流域上洋口站建立洪水预报模型 ,对比分析表明了SVMPR算法的有效性。