基于混沌神经网络的径流预测模型

【目的】揭示径流时间序列变化规律并进行预测,为水库调度提供指导。【方法】针对径流时间序列的非线性特点,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌相空间重构的径流量预测BP网络模型,并利用该模型对位于陕西省汉江上游的石泉水文站的径流时间序列进行了预测。【结果】实例计算结果表明,石泉水文站月平均流量的时间序列具有混沌性,最大嵌入维数为12,依此构建的BP神经网络收敛速度快、预测精度较好。【结论】利用重构相空间中的最佳嵌入维数,可合理确定BP神经网络的输入层节点数。

HHT在年最大洪峰流量规律分析中的应用

Hilbert-Huang变换能够定量描述非线性、非平稳、弱相依、高度复杂时间序列的时频特性,较传统的时间序列分析方法更具优势。通过对时间序列进行EMD分解,得出其演化过程的内在模函数和趋势项,并对内在模函数做Hilbert-Huang变换,获得序列的变化周期。以汉江上游的两个代表水文站——石泉和安康水文站的年最大洪峰流量为例分析,石泉站年最大洪峰流量变化存在3.06年、7.11年和24.98年的周期,安康站年最大洪峰流量变化存在3.01年、6.07年、15.97年和29.65年的周期,且两站的年最大洪峰流量序列呈降低的趋势。