论文部分内容阅读
中长期水文预报的精度往往不高,对其研究也存在许多困难。水文变化存在不确定性,这种不确定性对于中长期水文预报的预测精度影响很大。水文系统是一个高度非线性系统、难以建立准确表示径流现象的数学模型,径流预测研究中也存在不确定性。由于水文系统十分复杂,迄今为止还没有一种通用的数学模型可以解决水文序列的中长期预报问题。本文以东江水库月径流时间序列资料为研究对象,建立中长期水库入库径流预测模型。(1)为了有效提高BP神经网络模型的稳定性和运算精度,选用遗传算法对BP神经网络的参数值进行优化,将优化后的参数值作为BP神经网络的权值和阈值,对东江水库的入库径流进行预报。由于样本容量较少,BP神经网络对于部分月份难以有效提高径流预测的精度和拟合度。(2)支持向量机能够较好地适应容量小的训练样本,将预测问题转化为二次规划问题,能够避免神经网络的局部最优和反复试凑的缺陷,将其用于东江水库入库径流预测中,能够较好地得到预测值。(3)投影寻踪方法能够很好处理高维问题,本文将人工鱼群算法与投影寻踪算法相结合建立了混合智能径流预测模型,能够根据序列的要求变换拟合函数的阶数,较好地处理了径流预测问题。BP人工神经网络、SVM模型和投影寻踪人工鱼群算法分别用于东江水库的径流预报中,其中BP人工神经网络对径流的预测结果不太理想主要原因是BP人工神经网络模型的结构难以确定,网络稳定性较差且水库入库径流时间序列较短,资料有限,很多预报因子的资料比较缺乏。SVM模型对径流的预测效果较好误差均在20%以内,这与SVM模型能较好地预测小样本、非线性的时间序列等有关。投影寻踪模型采用自动选择预报因子、高阶函数式对径流预测,能够较好地提高模型的预测精度。