基于GA-BP神经网络模型城市河道水位预报研究

城市内河水位预报对城市内涝风险管理具有重要意义。传统数值模拟模型计算效率较低,且无法实时计算。针对以上问题,提出一种基于Gaussian函数改进BP神经网络的河道水位预报模型,解决了BP神经网络模型预报精度低、在误差平坦区收敛速度慢的问题。该方法利用Gaussian函数改进BP神经网络梯度下降算法,针对模型不同权重与阈值设定不同学习率,对各参数进行针对性优化,能够有效加速BP神经网络模型训练效率;针对模型在误差平坦区收敛速度慢的问题,通过Gaussian函数增大梯度下降算法在误差平坦区的学习率,控制梯度下降算法在误差较大时的学习率,能够有效加速BP神经网络模型在误差平坦区的收敛速度。以福州市晋安区6个河道水位测站为研究对象,构建GABP神经网络河道水位预报模型进行城市内河水位预报,并探讨不同降雨输入形式对河道水位预报精度的影响。结果表明:GA-BP神经网络能够有效提升BP神经网络在误差平坦区的收敛速度与模型预报精度,试验集预报纳什效率系数(NSE)均在0.8以上,能够将预报峰值水位相对误差控制在5%以内,其中降雨以小时降雨量形式输入能够将预报NSE提升至0.9以上。研究表明采用Gaussian函数改进BP神经网络模型能够有效提升模型预报精度,对提升城市河道水位预报具有重要意义。

基于BP神经网络的隧道超前地质预报资料综合解译技术研究

为提高超前地质预报资料综合解译的准确性,本次研究通过大量预报工作实践与持续开挖验证,建立了一套基于隧道掌子面地质调查法、地震波反射法和电磁波反射法于一体的隧道超前地质预报资料的综合解译规则。其中,一级综合解译基于掌子面地质编录一项指标和超前地质预报探测的四项指标分析得到,包含70条一级综合解译结果;二级综合解译在一级综合解译的基础上增加了地质雷达探测资料的两项指标,包含117条二级综合解译结果;二级综合解译比一级综合解译更详细、具体,降低了多解性出现的概率。同时,选取了70组训练样本,采用Back Propagation神经网络分析方法训练解译规则,形成了一套隧道超前地质预报综合解译技术。最后,以大巴山脉某公路隧道预报为应用实例,提出方法的预报准确率在80%以上,证明了该综合解译技术的有效性,研究可为隧道综合超前地质预报资料解译提供参考。

GA-BP神经网络在发射场的气温预报应用研究

为减小发射场气温预报误差,将BP神经网络和遗传算法结合起来,以2018—2022年的欧洲细网格气温预报数据和发射场实况数据为基础,利用相关系数筛选预报因子,建立了发射场气温预报模型。结果表明:模型气温预报平均绝对误差为1.132℃,较业务使用的欧洲细网格预报平均绝对误差优化了7.8%;模型气温预报的误差标准差为0.907℃,模型能较好修正欧洲细网格的温度预报误差离散值,较欧洲细网格预报的误差更稳定,能大幅减小预报员的人工订正工作;在神舟15号任务保障中,该模型预报的窗口温度为-18.02℃,而实况为-17.9℃,在临界条件下温度精细化预报保障提供了一种可靠性较高的预报手段。

BP神经网络算法在径流预测中的应用

径流预测作为水资源管理领域的关键环节,对大坝运行、洪水管理和水政策制定具有重要意义。随着气候变化加剧和人类活动明显影响水生环境,径流可预测性的模拟面临前所未有的障碍。传统的径流预测方法依赖于统计原理或物理模型,但由于可用数据的复杂性和非线性关系,其精度和泛化能力往往不足。近年来,人工神经网络,特别是BP神经网络算法在径流预测领域引起了广泛关注。BP神经网络算法强大的自学习能力和非线性映射能力为解决径流预测问题提供了新的视角。本文通过探讨BP神经网络算法在径流预测中的应用,了解其基本原理、技术、优势和局限性,并通过实例验证其预测能力,旨在为水资源管理提供借鉴。

基于BP神经网络预报风场改善WRF对强降水的预报效果——以青岛为例

本文将全球预报系统(GFS,Global forecast system)分析数据和预报数据作为训练集和测试集,利用BP(Back propagation)神经网络后报风场,将BP后报结果松弛逼近到天气研究和预报(WRF,Weather research and forecasting)模式的后报阶段,改善WRF模式对强降水的预报效果。以2018年5月22日青岛地区强降水为例,利用青岛地区7个气象站的观测数据和雷达回波图检验优化方法对强降水的后报效果。结果表明,松弛逼近BP后报风场后,降水强度有了明显改善,相比于不松弛逼近任何数据的WRF模式,松弛逼近BP后报风场的WRF模式24 h降水量误差减少了8.62 mm,但后报降水量仍弱于实际降水量。

基于BP神经网络的旬降雨径流相关预报模型

参照流域暴雨与径流相关的特点,以实际的旬初土壤蓄水量、旬降雨量为输入条件,以实际的旬径流量为输出条件,建立BP神经网络旬降雨径流相关模型。实例表明,模型结构简单,可操作性强,利用该模型进行的旬径流预报具有较好的模拟精度,并为利用旬降雨预报信息实施旬径流中期预报奠定了基础。

基于BP神经网络的贝叶斯概率枯季径流预报研究

根据枯季径流的特点,采用多元线性回归模型模拟了先验分布和似然函数,建立了基于BP神经网络的贝叶斯概率枯季径流预报模型。与传统枯季径流预报方法相比,该方法预报精度高,能以概率分布形式定量描述预报的不确定性,为水量调度提供了科学的决策依据,实例应用表明,效果理想。

基于BP人工神经网络的枯水径流预报方案研究

介绍了BP人工神经网络的枯水径流预报方法,编制了锦屏一级水电站枯水径流预报方案。根据枯水径流预报方案的预报精度评定成果,总结了应用BP人工神经网络进行枯水径流预报的特点。研究表明基于BP人工神经网络的枯水径流预报方案能够满足水文情报预报规范,具有较好的实用性和可行性。

基于OSR-BP神经网络的丹江口秋汛期径流长期预报研究

针对丹江口流域秋汛期(9、10月)径流长期预报,为了消除网络输入的复共线性与网络训练的过拟合现象,将最优子集回归(OSR)和BP神经网络进行耦合,综合考虑训练误差和检验误差,来确定网络训练的最佳训练次数和终止条件,在此基础上提出基于OSR-BP神经网络的径流长期预报技术,并对丹江口秋汛期入库径流量进行了模拟和试报,结果表明:建立的模型稳定性良好,不论模拟还是试报精度均令人满意,特别是对预报年份中的丰枯特征均具有较好的体现。

基于互信息量与BP神经网络的中长期径流预报方法研究

针对中长期径流预报因子的选择问题,采用互信息量方法筛选预报模型输入因子,在BP神经网络模型中,分别用均方误差和互信息量作为目标函数,衡量因子复合相关关系,优化选择最终预报因子并应用于碧流河汛期径流预报中。结果表明,基于互信息量筛选的预报因子与BP神经网络模型相结合,可有效识别多个预报因子与预报量间的复合相关性,对中长期径流预报因子的选择有很好参考价值。

基于BP神经网络的雨雪混合径流预报模型

通过分析暴雨融雪混合径流的物理成因,确定其主要影响因子,然后分析雨雪混合径流主要影响因子对径流的影响,建立一个基于BP神经网络雨雪混合径流预报模型,并利用新疆喀浪古尔河流域暴雨融雪径流资料对模型进行仿真训练实验和验证。通过结果比较分析,在一定程度上提高了模型预报精度。

基于随机森林与深度神经网络的水库枯季入库径流中长期预报

准确可靠的枯季中长期入库径流预报对于指导水库枯水期开展水量调度等具有重要意义。本文以公平水库为研究对象,首先利用随机森林模型(RF)对水文气象因子进行筛选,然后基于深度神经网络模型(DNN)构建水库枯季入库径流中长期预报方案。结果表明:DNN模型对公平水库枯季中长期径流的模拟结果较好,率定期Nash系数为0.952,验证期为0.774,模型具有较强的泛化能力;次年3月的模拟精度较其他月份更优,受异常海温指数的影响,验证期次年1月的模拟结果较差;由于RF模型筛选预报因子侧重点的不同,当量级增大时,DNN模型出现了模拟结果较小量级时明显偏小的情况。

BP神经网络模型结构对漫湾径流预报精度的影响研究

以云南省漫湾水电站历史径流状况为研究对象,运用三层前馈反向传播神经网络模型对径流进行中长期预报。为解决神经网络预报模型结构难以确定的问题,尝试在预报过程中通过改变该网络模型的结构并对得到的结果进行比较,从而找到适合该径流序列的最佳神经网络模型结构。实际应用表明,使用该结构的模型在实际预报过程中取得了良好的效果。

基于人工神经网络的长期径流预报模型研究

调水工程供水效益的发挥主要取决于引水过程与受水区本地径流过程的有机结合。为了预测水库未来径流信息,指导供水工程调度及实现水资源高效配置,以鄂北地区水资源配置工程受水区的封江口水库为研究对象,利用BP神经网络对非线性混合回归模型进行年、月尺度的长期径流预报。结果表明:利用该方法得到的年尺度长期径流预报确定性系数为0.790,相对均方根误差为20.7%,预报合格率为66.7%;与降雨-径流相关曲线法预报结果相比,该方法确定性系数提高了9.6%,相对均方根误差降低了18.8%,预报合格率提高了11.9%。月尺度长期径流预报确定性系数为0.714,相对均方根误差为77.6%,预报合格率为52.8%,亦优于降雨-径流相关曲线法预报结果。利用人工神经网络进行水库长期径流预报可提高精度。

基于BP神经网络的地基微波辐射计雷暴预报试验研究

利用上海浦东国际机场地面气象观测站2018—2019年MWP967KV型地基微波辐射计资料、民航气象地面观测数据及宝山站常规探空资料,分析了微波辐射计探测数据的可靠性。在此基础上,计算与雷暴发生相关的大气参数,选取合适的参数作为预报因子,建立了机场雷暴预报的BP(Back Propagation)人工神经网络模型,并对模型的预报效果进行了评估。结果表明:由MWP967KV型地基微波辐射计得到的温度、相对湿度和水汽密度与探空相应数据的平均绝对偏差分别为1.94℃、16.05%、0.82 g·m^(-3),均方根误差分别为1.41℃、20.14%、1.90 g·m^(-3),相关系数分别为0.99、0.66、0.85。建立的BPNN模型能够较好地预报雷暴的发生,2、3、6 h预报命中率分别为93.27%、93.33%和89.47%,漏报率分别为6.73%、6.67%和10.53%,空报率分别为4.90%、4.78%和2.86%,临界成功指数分别为89.99%、80.33%和81.18%。该研究在一定程度上实现了雷暴天气的智能预报,能够应用于机场及单站雷暴天气的预报预警。

基于BP神经网络的南通机场风速预报模型

本文利用2016—2021年南通兴东机场整点报文数据,采用BP人工神经网络建立南通机场风速预报模型,将南通机场风速进行分级,并进行6 h和24 h模拟预报,以期对南通机场风速分级预报数值进行修订并讨论风速分级预报的准确率。结果如下:当风为1级、2级风时,风速无须修订;3级风时,6 h预报风速可修订增加0.6 m/s,24 h可修订增加3.8 m/s;而4级风时,6 h预报风速和24 h预报风速则分别修订增加1.0 m/s和4.8 m/s。利用2020年样本资料进行检验,在预报风速数值分级修订后,准确率结果如下:对民航安全运行有影响的4级风6 h准确率为66%,24 h为64%。再利用模型对2021年12月进行试预报可得:4级风6 h准确率为75%,24 h为73%。上述结果表明,该神经网络模型可以为南通机场风速预报提供一定的依据。

基于BP神经网络模型的月径流预报

针对水文系统的高度非线性关系,采用BP神经网络模型,通过经验公式和迭代得到隐藏层个数,使用L-M(Levenberg-Marquardt)算法优化权值,分别建立2-3-1和4-8-1网络拓扑结构的BP_(1)、BP_(2)模型,选取永翠河流域中的带岭(二)站的实测数据进行径流预报。结果表明,BP_(1)模型的拟合度高,预测结果的合格率低,出现此情况的原因可能为数据样本较少,模型陷入局部最优。BP_(2)模型的拟合较前者低,但合格率高,且预测结果可达到精度要求,可作为径流模拟的方法之一,为流域径流模拟提供依据。

冬小麦田间墒情预报的BP神经网络模型

土壤墒情预报是农田适时适量灌水的基础 .田间土壤水分的变化受到外界气象因素及土壤特性、作物长势等的影响 ,关系比较复杂 .本文利用北京市永乐店试验站冬小麦返青后的土壤水分试验资料 ,建立了土壤墒情预报的BP网络模型 ,模型中同时考虑了多个因素对土壤贮水量的影响 .利用部分实测资料对网络进行训练 ,然后对 2年不同灌水处理下的土壤贮水量进行预测 ,取得了较好的效果 ,表明BP神经网络用于墒情预报是可行的 .

人工神经网络方法在径流预报中的应用

采用BP神经网络模型 ,以西北内陆河黑河流域莺落峡年平均出山地表流量为研究对象 ,对人工神经网络研究方法在干旱区环流径流预报中的应用进行了初步尝试 .结果表明该方法预报成功率较高 ,证实了人工神经网络方法应用于流量预报领域的可行性 。

基于改进的Elman神经网络的中长期径流预报

径流中长期预报长期以来一直都是人们关注的热点研究问题。现行的径流预报方法很多,传统的有时间序列法,多元回归分析法等,这些方法虽然简单易用,但是如果预报对象提供的样本容量偏小或者因子选择不够合理,都会造成预报精度偏差过大,难于有效的指导工程应用。鉴于此,本文提出一种改进的采用局部回归的Elman神经网络方法。并应用到凤滩水库优化调度的径流预报中。结果表明,与回归分析法、BP网络相比较,该方法不仅提高了算法的效率,而且提高了预报的精度,在径流预报中具有有效性和优越性。