非线性混合回归模型在年径流预报中的应用探讨

在气候变化和人类活动等影响下,径流变化日益复杂,常用的流域径流预报方法有时间序列法、多元回归分析等,但这些方法预报精度较差,笔者建立起基于BP神经网络系统的年径流预报非线性混合回归模型,并以1961~2001年的数据为训练样本,以2002~2010年的数据为预测检验样本对新疆天山北坡昌吉州呼图壁县内的军塘湖流域年径流进行预报,结果表明,该预报方法具有较高的预报精度。

基于神经网络的非线性混合回归预测模型

本文运用神经网络理论，建立了一种新的非线性混合回归预测模型。该模型同时具有回归及时间序列模型的特点，能很好地刻划输出量与输入量（因素）之间的动态相依关系，而且还包括了常用的线性及非线性回归模型和时间序列模型。

偏态数据下混合非线性回归模型的统计推断

在异质总体中,混合回归模型是最重要的统计数据分析工具之一.而相对于对称分布,有偏分布更能获得准确有效的信息.该文提出了偏态数据下混合非线性回归模型,通过EM算法研究了该模型参数的极大似然估计,并通过随机模拟实验验证了所提出方法的有效性.最后,结合实际数据验证了该模型和方法具有实用性和可行性.

偏正态数据下混合非线性位置回归模型的统计诊断

在经济、生物医学、环境科学等领域存在着这样一类混合数据,非对称、非线性并且还含有异常点或强影响点,如果只是简单的对总体数据进行诊断,得到的结果可能不精确.因此研究了偏正态数据下混合非线性位置回归模型的统计诊断,对混合数据总体不分类做诊断与分类后再做诊断相比较,发现分类后做诊断结果更精确.其次,将Pena距离推广到了偏正态非线性回归模型,给出了似然距离,Cook距离,Pena距离三个诊断统计量来判别异常点或强影响点,结果表明Pena距离对异常点更敏感,诊断效果略优于似然距离和Cook距离.最后,通过随机模拟试验研究和实例分析,表明文章提出的模型和方法是合理的.

Responses of River Runoff to Climate Change Based on Nonlinear Mixed Regression Model in Chaohe River Basin of Hebei Province, China

Taking the nonlinear nature of runoff system into account,and combining auto-regression method and multi-regression method,a Nonlinear Mixed Regression Model (NMR) was established to analyze the impact of temperature and precipitation changes on annual river runoff process. The model was calibrated and verified by using BP neural network with observed meteorological and runoff data from Daiying Hydrological Station in the Chaohe River of Hebei Province in 1956–2000. Compared with auto-regression model,linear multi-regression model and linear mixed regression model,NMR can improve forecasting precision remarkably. Therefore,the simulation of climate change scenarios was carried out by NMR. The results show that the nonlinear mixed regression model can simulate annual river runoff well.