本文主要研究内容
作者周雨婷（2019）在《WA-ANN模型在水文时间序列长期预报中的应用》一文中研究指出：准确高效的水情长期预报能够为水文气象相关部门在防汛抗旱规划决策、水利工程调度运行及水资源开发利用等工作提供科学依据。为建立水文时间序列长期预报模型,探究建模思路与设计方法,本文以上海为研究区域,选取黄浦公园水文站、吴淞水文站、徐家汇气象代表站为研究站点,对年最高水位、年降水量及汛期降水量序列建立基于小波分析(Wavelet analysis,WA)的多类型人工神经网络(Artificial neural network,ANN),即WA-ANN模型,进行水情长期预报研究。该模型首先采用小波分析识别并分离出样本序列中的确定性成分与随机成分,然后对两部分分别建立适用于预测预报的典型ANN,包括BP神经网络、径向基函数(Radial basis function,RBF)神经网络、广义回归神经网络(General regression neural network,GRNN)、小波神经网络(Wavelet neural network,WNN)及Elman神经网络,最后将两部分的预测结果叠加得到样本序列的最终预测结果。结合混沌特性分析、自相关分析、经验公式、试错法及遗传算法等方法设定ANN的网络初始参数,根据平均相对误差、平均绝对误差、均方根误差及合格率等四项评价指标,评价不同类型WA-ANN模型的预测精度与稳定性,验证建模思路与网络设计方法的可行性与合理性,并与其他常用长期预报模型预测效果进行对比。主要研究结论如下:(1)基于小波分析建立ANN在研究区域与站点能够提高水情长期预报精度。相比于标准ANN,WA-ANN模型应用于黄浦公园年最高水位、吴淞年最高水位、徐家汇年降水量与汛期降水量等四个水文样本序列的长期预报具有更高的精度。(2)结合多方法进行网络设计具有一定合理性与可行性。经黄浦公园年最高水位、吴淞年最高水位、徐家汇年降水量与汛期降水量等四个水文样本序列验证,结合混沌特性分析与自相关分析确定ANN输入层节点数,通过经验公式、试错法设定ANN隐含层节点数、学习率等初始参数,采用遗传算法选取BP神经网络初始权重与阈值,以此设置模型参数得到的预测结果符合长期水文预报的精度评定规定,预测效果较好。(3)对于黄浦公园年最高水位、吴淞年最高水位、徐家汇年降水量与汛期降水量等四个水文样本序列的长期预报,ANN较自回归模型AR(p)、单变量一阶灰色模型GM(1,1)及门限自回归模型TAR而言具有更好的适用性,整体预测精度更高。其中,GRNN神经网络在稳定性与精度两方面均有较好表现,是水文样本序列长期预报最适用的神经网络类型,其应用于黄浦公园年最高水位序列、吴淞年最高水位序列及徐家汇年降水量序列预测的平均相对误差分别为3.8%、2.8%、11.8%,合格率分别为93.8%、100%、77.3%,预测效果较好;同时,其应用于徐家汇汛期降水量序列预测的平均相对误差与合格率分别为19.7%、68.2%,仅达到水文长期预报基本精度要求,预测效果有待优化。
Abstract
zhun que gao xiao de shui qing chang ji yu bao neng gou wei shui wen qi xiang xiang guan bu men zai fang xun kang han gui hua jue ce 、shui li gong cheng diao du yun hang ji shui zi yuan kai fa li yong deng gong zuo di gong ke xue yi ju 。wei jian li shui wen shi jian xu lie chang ji yu bao mo xing ,tan jiu jian mo sai lu yu she ji fang fa ,ben wen yi shang hai wei yan jiu ou yu ,shua qu huang pu gong yuan shui wen zhan 、wu song shui wen zhan 、xu jia hui qi xiang dai biao zhan wei yan jiu zhan dian ,dui nian zui gao shui wei 、nian jiang shui liang ji xun ji jiang shui liang xu lie jian li ji yu xiao bo fen xi (Wavelet analysis,WA)de duo lei xing ren gong shen jing wang lao (Artificial neural network,ANN),ji WA-ANNmo xing ,jin hang shui qing chang ji yu bao yan jiu 。gai mo xing shou xian cai yong xiao bo fen xi shi bie bing fen li chu yang ben xu lie zhong de que ding xing cheng fen yu sui ji cheng fen ,ran hou dui liang bu fen fen bie jian li kuo yong yu yu ce yu bao de dian xing ANN,bao gua BPshen jing wang lao 、jing xiang ji han shu (Radial basis function,RBF)shen jing wang lao 、an yi hui gui shen jing wang lao (General regression neural network,GRNN)、xiao bo shen jing wang lao (Wavelet neural network,WNN)ji Elmanshen jing wang lao ,zui hou jiang liang bu fen de yu ce jie guo die jia de dao yang ben xu lie de zui zhong yu ce jie guo 。jie ge hun dun te xing fen xi 、zi xiang guan fen xi 、jing yan gong shi 、shi cuo fa ji wei chuan suan fa deng fang fa she ding ANNde wang lao chu shi can shu ,gen ju ping jun xiang dui wu cha 、ping jun jue dui wu cha 、jun fang gen wu cha ji ge ge lv deng si xiang ping jia zhi biao ,ping jia bu tong lei xing WA-ANNmo xing de yu ce jing du yu wen ding xing ,yan zheng jian mo sai lu yu wang lao she ji fang fa de ke hang xing yu ge li xing ,bing yu ji ta chang yong chang ji yu bao mo xing yu ce xiao guo jin hang dui bi 。zhu yao yan jiu jie lun ru xia :(1)ji yu xiao bo fen xi jian li ANNzai yan jiu ou yu yu zhan dian neng gou di gao shui qing chang ji yu bao jing du 。xiang bi yu biao zhun ANN,WA-ANNmo xing ying yong yu huang pu gong yuan nian zui gao shui wei 、wu song nian zui gao shui wei 、xu jia hui nian jiang shui liang yu xun ji jiang shui liang deng si ge shui wen yang ben xu lie de chang ji yu bao ju you geng gao de jing du 。(2)jie ge duo fang fa jin hang wang lao she ji ju you yi ding ge li xing yu ke hang xing 。jing huang pu gong yuan nian zui gao shui wei 、wu song nian zui gao shui wei 、xu jia hui nian jiang shui liang yu xun ji jiang shui liang deng si ge shui wen yang ben xu lie yan zheng ,jie ge hun dun te xing fen xi yu zi xiang guan fen xi que ding ANNshu ru ceng jie dian shu ,tong guo jing yan gong shi 、shi cuo fa she ding ANNyin han ceng jie dian shu 、xue xi lv deng chu shi can shu ,cai yong wei chuan suan fa shua qu BPshen jing wang lao chu shi quan chong yu yu zhi ,yi ci she zhi mo xing can shu de dao de yu ce jie guo fu ge chang ji shui wen yu bao de jing du ping ding gui ding ,yu ce xiao guo jiao hao 。(3)dui yu huang pu gong yuan nian zui gao shui wei 、wu song nian zui gao shui wei 、xu jia hui nian jiang shui liang yu xun ji jiang shui liang deng si ge shui wen yang ben xu lie de chang ji yu bao ,ANNjiao zi hui gui mo xing AR(p)、chan bian liang yi jie hui se mo xing GM(1,1)ji men xian zi hui gui mo xing TARer yan ju you geng hao de kuo yong xing ,zheng ti yu ce jing du geng gao 。ji zhong ,GRNNshen jing wang lao zai wen ding xing yu jing du liang fang mian jun you jiao hao biao xian ,shi shui wen yang ben xu lie chang ji yu bao zui kuo yong de shen jing wang lao lei xing ,ji ying yong yu huang pu gong yuan nian zui gao shui wei xu lie 、wu song nian zui gao shui wei xu lie ji xu jia hui nian jiang shui liang xu lie yu ce de ping jun xiang dui wu cha fen bie wei 3.8%、2.8%、11.8%,ge ge lv fen bie wei 93.8%、100%、77.3%,yu ce xiao guo jiao hao ;tong shi ,ji ying yong yu xu jia hui xun ji jiang shui liang xu lie yu ce de ping jun xiang dui wu cha yu ge ge lv fen bie wei 19.7%、68.2%,jin da dao shui wen chang ji yu bao ji ben jing du yao qiu ,yu ce xiao guo you dai you hua 。
论文参考文献
论文详细介绍
论文作者分别是来自南京大学的周雨婷，发表于刊物南京大学2019-07-02论文，是一篇关于长期预报论文,神经网络论文,小波分析论文,时间序列论文,相空间重构论文,遗传算法论文,南京大学2019-07-02论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自南京大学2019-07-02论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：长期预报论文; 神经网络论文; 小波分析论文; 时间序列论文; 相空间重构论文; 遗传算法论文; 南京大学2019-07-02论文;