黄河上游径流变化规律的分析和预测

论文摘要

水是所有生物繁衍生存最基本的条件,更是人类生活不可替代的自然资源。水资源是生态环境中最活跃、影响最广泛的因素,也是人类社会可持续发展的制约因素,在人民生活和国民经济中占有极其重要的位置。而径流在水资源系统中起主导作用,受气候和人类活动等因素的影响,其变化规律错综复杂,表现出非线性、随机性、突变性等复杂特性。因此,如何合理的描述径流的演变规律,并对未来径流做出准确合理的预测,至今都是国内外研究的难题和热点。目前常用的径流描述和预测方法一般都是假设水文系统是线性的,但水文系统实际上是一个非线性系统,径流是水文系统中典型的非平稳、非线性序列。针对径流的特性,本论文引进了一种可以处理非平稳、非线性信号的方法,即希尔伯特-黄（Hilbert-Huang）变换方法。此方法由经验模态分解法（empirical mode decomposition, EMD）和Hilbert变换两部分组成。EMD方法的主要目的是得到各阶固有模态函数（Intrinsic Mode Function,IMF）分量并对其进行Hilbert变换,得到Hilbert谱。进而对径流的变化规律进行分析。本论文基于黄河贵德、小川和兰州三个水文站的天然径流资料,对其进行变化规律的分析和预测研究。虽然Hilbert-Huang变换法可以处理非平稳非线性问题,但是其中需要解决的问题也很多,其中边界效应是一个非常棘手的问题。针对EMD分解过程中的边界问题,本文提出了直接截取两端数据,镜像法和极值点对称延拓法。对比没有对端点进行处理和经过端点处理的结果表明,后者的效果较前者好很多。比较三种方法,极值点对称延拓法是在镜像法的基础上,增加了判断是以端点或极值点为对称点的处理,效果较好,所以选用该方法来处理本文所有数据的端点效应。计算结果表明,该方法进一步提高了处理效果,可以有效的抑制误差向内传播。利用EMD方法可以将径流序列分解为有限个固有模态函数（Intrinsic Mode Function,IMF）,对其分别进行分析,可掌握径流变化的规律。在分析各IMF分量特性的基础上,采用人工神经网络进行建模预测。神经网络的函数非线性逼近功能可用于对径流序列进行描述。本文探讨了BP和RBF神经网络的模型和结构,学习规则,并构建了径流预测的模型。利用建立的两个神经网络模型,对具体的径流序列进行预测,结果较好。并对两个网络进行比较,结果表明RBF网络比BP网络具有更好的预测能力。本文采用Hilbert-Huang变换和人工神经网络结合的方法,对黄河上游贵德、小川和兰州三个水文站的年、月径流变化规律进行了分析和预测,为该地区水资源的规划设计和开发利用提供了科学的依据。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题背景和目的
• 1.2 国内外研究现状与发展趋势
• 1.2.1 希尔伯特-黄变换法的研究动态
• 1.2.2 人工神经网络的发展动态
• 1.3 本文研究的主要内容
• 1.4 本文实现的技术路线
• 第二章 黄河上游地区概况
• 2.1 黄河流域概况
• 2.1.1 黄河流域自然地理概况
• 2.1.2 黄河上游流域概况
• 2.1.3 水文特征
• 2.1.4 气候特征
• 2.2 数据资料的获取
• 第三章 基于希尔伯特-黄变换法的黄河上游径流的变化分析
• 3.1 经验模态分解方法（Empirical Mode Decomposition,EMD）
• 3.2 Hilbert变换和Hilbert谱
• 3.3 EMD的端点处理
• 3.3.1 端点处理的研究意义
• 3.3.2 端点处理的研究现状
• 3.3.3 端点处理的常用方法介绍
• 3.3.4 实例分析
• 3.4 不同时间尺度的径流规律分析
• 3.4.1 贵德站径流变化规律的分析
• 3.4.2 小川站径流变化规律的分析
• 3.4.3 兰州站径流变化规律的分析
• 3.5 小结
• 第四章 人工神经网络理论
• 4.1 人工神经网络的由来
• 4.2 人工神经网络的概念
• 4.3 人工神经网络的发展综述
• 4.4 人工神经网络的理论基础
• 4.4.1 神经元模型
• 4.4.2 激活转移函数
• 4.4.3 人工神经网络的特点
• 4.4.4 人工神经网络的学习
• 4.5 BP（Back Propagation）网络
• 4.5.1 BP算法的基本思想
• 4.5.2 BP算法的步骤
• 4.5.3 BP网络的特点
• 4.6 RBF（radial basis function）网络
• 4.6.1 RBF的基本结构
• 4.6.2 RBF网络的学习算法
• 4.6.3 RBF网络的训练
• 第五章 预测模型的应用
• 5.1 资料的选取
• 5.2 BP神经网络的应用
• 5.2.1 贵德站的BP神经网络模型的应用
• 5.2.2 小川站的BP神经网络模型的应用
• 5.2.3 兰州站的BP神经网络模型的应用
• 5.3 RBF神经网络的应用
• 5.3.1 贵德站的RBF神经网络模型的应用
• 5.3.2 小川站的RBF神经网络模型的应用
• 5.3.3 兰州站的RBF神经网络模型的应用
• 5.4 BP网络和RBF网络的比较
• 第六章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的论文及参加的主要科研项目
• 一、学术论文
• 二、攻读硕士期间参加的科研项目