水科学信息分析计算新方法及其应用

论文摘要

水科学信息分析计算长期以来都是国内外研究的热点，一直处于积极探索和不断发展之中，特别是近一二十年，随着科学技术的进步，涌现了大量既有理论深度又有应用价值的研究成果，使这个领域的深入研究具有广阔的空间。 本论文依托973国家重点基础研究发展规划项目“长江中下游湖泊富营养化发展趋势预测方法研究”(NO.2002CB412301)和国家自然科学基金项目“基于子波和分形理论的水文尺度分析新途径”(NO.40271024)，在总结吸收相关前人研究成果的基础上，基于大量实际水文水资源资料，运用现代智能科学的有关新理论和新技术，系统地研究和完善了部分水科学信息分析计算的新方法，提出了多种耦合预测模型，广泛适用于水科学和其它相关领域。此外，本文发现并明确指出了传统小波分解耦合预测方法的不足，并针对不足提出了信号倒置小波分解和信号滑动小波分解解决方案，对于科学合理地使用小波分析具有重要的指导意义和较高的实用价值。概括起来，本论文的主要研究内容和成果包括以下几个方面(各部分之间的联系请见第20页图1.1)： (1) 全面系统地引入针对小样本数据且具有优良推广性能的支持向量机方法(SVM)，将SVM初步应用于水电边坡稳定性预测、水流挟沙力预测和年用电量预测等实例，获得了较传统方法更好的效果；如何合理选择SVM的参数，目前仍缺乏有效的方法，这严重限制了SVM的实际应用，为此首先尝试引入了免疫进化算法(IEA)来优化SVM核函数参数，取得了一定的效果；考虑

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 研究现状
• 1.2.1 随机过程分析方法
• 1.2.2 灰色系统分析方法
• 1.2.3 模糊数学分析方法
• 1.2.4 投影寻踪分析方法
• 1.2.5 人工神经网络分析方法
• 1.2.6 分形分析方法
• 1.2.7 混沌分析方法
• 1.2.8 小波分析方法
• 1.2.9 遗传算法
• 1.2.10 免疫进化算法
• 1.2.11 蚁群算法
• 1.2.12 粒子群优化算法
• 1.2.13 集对分析方法
• 1.2.14 粗集分析方法
• 1.2.15 非参数统计方法
• 1.2.16 支持向量机方法
• 1.3 发展趋势
• 1.4 本论文的选题背景、研究目的及意义
• 1.5 本论文的主要研究内容及技术路线
• 1.5.1 研究内容
• 1.5.2 技术路线
• 参考文献
• 第2章 支持向量机及其在水科学中的初步应用
• 2.1 引言
• 2.2 支持向量机方法概述
• 2.3 分类支持向量机方法
• 2.3.1 最优分类面
• 2.3.2 广义最优分类面
• 2.3.3 分类支持向量机
• 2.4 回归支持向量机方法
• 2.5 支持向量机的模型选择
• 2.5.1 核函数的确定
• 2.5.2 参数的选择
• 2.6 基于 SVC的水电边坡稳定性预测
• 2.6.1 概述
• 2.6.2 原理
• 2.6.3 结果分析
• 2.7 基于 SVR的水流挟沙力预测
• 2.7.1 概述
• 2.7.2 原理
• 2.7.3 结果分析
• 2.8 基于 IEA-SVM的年用电量预测
• 2.8.1 概述
• 2.8.2 原理
• 2.8.3 结果分析
• 2.9 小结
• 参考文献
• 第3章 粒子群优化算法及其在水科学中的应用
• 3.1 引言
• 3.2 粒子群优化算法
• 3.2.1 PSO算法的原理
• 3.2.2 PSO算法的参数
• 3.2.3 PSO算法的流程
• 3.2.4 PSO算法的特点
• 3.3 基于 PSO算法的暴雨强度公式参数优化
• 3.3.1 概述
• 3.3.2 原理
• 3.3.3 结果分析
• 3.4 PSO算法在地下水位动态分析中的应用
• 3.4.1 概述
• 3.4.2 实例研究
• 3.4.3 结果分析
• 3.5 PSO算法在水环境优化问题中的应用
• 3.5.1 概述
• 3.5.2 实例研究
• 3.5.3 结果分析
• 3.6 小结
• 参考文献
• 第4章 粒子群优化支持向量机及其在水科学中的应用
• 4.1 引言
• 4.2 粒子群优化支持向量机
• 4.2.1 基本思想
• 4.2.2 实现方法
• 4.2.3 SVM参数的搜索范围
• 4.3 基于 PSO-SVM的清江隔河岩站年径流预测
• 4.3.1 基本资料
• 4.3.2 不考虑降水的结果
• 4.3.3 考虑降水的结果
• 4.4 基于 PSO-SVM的黄河兰州站年径流预测
• 4.4.1 基本资料
• 4.4.2 预测方案一
• 4.4.3 预测方案二
• 4.5 基于 PSO-SVM的黄河内蒙段三湖河口站开河历时预测
• 4.5.1 基本资料
• 4.5.2 结果分析
• 4.6 支持向量机的局限性和不足
• 4.7 小结
• 参考文献
• 第5章 粒子群优化神经网络及其在水科学中的应用
• 5.1 引言
• 5.2 粒子群优化神经网络
• 5.2.1 基本思想
• 5.2.2 实现方法
• 5.2.3 PSO-ANN的参数
• 5.3 基于 PSO-ANN的长江宜昌站年径流预测
• 5.3.1 基本资料
• 5.3.2 结果分析
• 5.4 基于 PSO-ANN的长江监利站日流量预测
• 5.4.1 基本资料
• 5.4.2 结果分析
• 5.5 基于 PSO-ANN的长江宜昌站日流量预测
• 5.5.1 基本资料
• 5.5.2 结果分析
• 5.6 基于 PSO-ANN的金沙江屏山站日流量预测
• 5.6.1 基本资料
• 5.6.2 结果分析
• 5.7 基于 PSO-ANN的长江宜昌站年最大洪峰流量预测
• 5.7.1 基本资料
• 5.7.2 结果分析
• 5.8 基于 PSO-ANN的黄河三门峡站年径流预测
• 5.8.1 基本资料
• 5.8.2 结果分析
• 5.9 基于 PSO-ANN的长江寸滩站日流量预测
• 5.9.1 基本资料
• 5.9.2 结果分析
• 5.10 小结
• 参考文献
• 第6章 小波与粒子群优化神经网络耦合预测模型研究
• 6.1 引言
• 6.2 小波分析方法
• 6.2.1 多尺度分析
• 6.2.2 Mallat算法
• 6.2.3 A Trous算法
• 6.3 基于小波分析的长江寸滩站日流量耦合预测
• 6.3.1 小波分解与PSO-ANN耦合预测法
• 6.3.2 对传统小波分解耦合预测方法的思索
• 6.3.3 信号倒置小波分解与PSO-ANN耦合预测法
• 6.4 基于小波分析的黄河三门峡站年径流耦合预测
• 6.4.1 小波分解与 PSO-ANN耦合预测法
• 6.4.2 信号滑动小波分解与PSO-ANN耦合预测法
• 6.5 小结
• 参考文献
• 第7章 小波与粒子群优化支持向量机耦合预测模型研究
• 7.1 引言
• 7.2 Haar小波变换
• 7.3 基于小波分析的清江隔河岩站年径流耦合预测
• 7.3.1 方案一
• 7.3.2 方案二
• 7.3.3 结果分析
• 7.4 小结
• 参考文献
• 第8章 总结与展望
• 8.1 主要研究成果
• 8.2 展望
• 攻读博士学位期间发表的学术论文
• 攻读博士学位期间参加科研及获奖情况
• 致谢