梯级-关联算法在多泥沙河流含沙量预报中的应用

本文借助历史加成法处理样本数据,并分别利用梯级-关联算法(CC)和误差反馈传播算法(BP)建立模型对黄河下游夹河滩水文站汛期含沙量进行预报。传统BP网络需要预先设定网络结构,预报过程虽利用了神经网络的内插特性,但其样本的处理方式和网络构建方式使得运算效率较低;CC算法仅要求初始网络含有输入层和输出层,通过运算不断向网络增加隐含节点,从而最大限度的减少了在网络构建过程中的主观因素。本文比较了当预报的峰值超出训练样本取值范围时两种算法的表现,结果显示:当预报的峰值为训练样本峰值的2.45倍时,二者均能实现较为准确的预报,BP网络在预报精度上要略高于CC网络,但CC网络在运算速度上要明显快于BP网络。

梯级-关联算法原理及其在月流量预报中的应用

传统BP网络需要预先设定网络隐含层的层数和每层的节点数,使得在预测过程中难以确定网络的最优结构。与之相反,梯级-关联算法(CC)要求初始网络仅含有输入层和输出层,通过运算不断向网络增加隐含节点。在介绍梯级-关联算法原理的基础上,分别运用梯级-关联算法和BP算法对拉萨河拉萨站的月流量进行了预测,结果显示:在不损失预测精度的前提下,梯级-关联算法的运算次数仅为5次,而BP算法则需要运算70 000次,运算效率有很大的提高,同时网络的规模也有所减小。