本文關鍵詞：基于數(shù)據(jù)清洗方法的河道水位預測研究

  更多相關文章： 洪水預報 BP神經(jīng)網(wǎng)絡 PSO算法 異常值處理 精度

【摘要】：我國洪水災害頻繁,洪災問題極為嚴峻,嚴重影響我國的經(jīng)濟發(fā)展,洪水預報作為一項非常重要的防洪非工程措施,對于防洪減災有著重大的作用和意義。本文結合貴州省銅仁市“水文遠程測控及綜合信息管理系統(tǒng)開發(fā)”項目,采用河道洪水預報模型來預測某段河道水位的變化情況。由于外在因素的影響,天然河道水文數(shù)據(jù)在采集的過程中會產(chǎn)生誤差,需要將這些誤差數(shù)據(jù)剔除來提高河道水位預測的精度。BP神經(jīng)網(wǎng)絡由于具有很強的自適應、非線性映射以及容錯能力等,所以在解決河道水位預測等問題上經(jīng)常被用來作為一種重要的工具。但是BP神經(jīng)網(wǎng)絡也存在一些缺陷,比如收斂速度慢、容易陷入局部最小問題等,所以常用改進算法后的BP神經(jīng)網(wǎng)絡,本文研究通過對粒子群算法的分析,采用PSO算法來優(yōu)化BP神經(jīng)網(wǎng)絡的權值和閾值,對影響粒子群算法的參數(shù)進行分析,確定了PSO優(yōu)化BP神經(jīng)網(wǎng)絡的流程以及PSO-BP神經(jīng)網(wǎng)絡模型。對本文的樣本數(shù)據(jù)來源做了說明,分析了樣本數(shù)據(jù)中誤差產(chǎn)生的原因,采用帶誤差的樣本數(shù)據(jù)對于網(wǎng)絡的學習和預測精度有很大的影響,通過分析數(shù)據(jù)清理方法,采用數(shù)據(jù)清理方法中的異常值檢測并確定異常值剔除的流程,首先在測流軟件上對樣本數(shù)據(jù)進行初步確認,然后再定位樣本數(shù)據(jù)中的異常值并剔除,對樣本數(shù)據(jù)進行變換處理,最后構建了樣本數(shù)據(jù)。根據(jù)研究區(qū)域水系關系的復雜程度以及對水文對象的分析,采用河段洪水預報中的水位預測,構建了BP神經(jīng)網(wǎng)絡預測模型和PSO-BP神經(jīng)網(wǎng)絡預測模型,通過歷史樣本數(shù)據(jù)學習和訓練,得到兩種模型的輸出數(shù)據(jù),依據(jù)《水文情報預報規(guī)范》(SL250-2000)來評定兩種模型的預測精度,從工程應用的角度出發(fā),得到PSO-BP神經(jīng)網(wǎng)絡模型的預測精度高于BP神經(jīng)網(wǎng)絡模型的預測精度。該結果可以為研究河段的水位變化提供一定的參考。
【關鍵詞】：洪水預報 BP神經(jīng)網(wǎng)絡 PSO算法 異常值處理 精度
【學位授予單位】：昆明理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TV877;TP183
【目錄】：

• 摘要3-4
• Abstract4-10
• 第1章 緒論10-20
• 1.1 研究背景及意義10-11
• 1.2 研究區(qū)域概況11-14
• 1.2.1 自然地理概況11-12
• 1.2.2 水文氣象概況12-13
• 1.2.3 洪澇災情概況13-14
• 1.3 研究現(xiàn)狀14-17
• 1.3.1 洪水預報的研究現(xiàn)狀14-16
• 1.3.2 數(shù)據(jù)清洗方法的研究現(xiàn)狀16-17
• 1.4 論文研究內(nèi)容及結構安排17-20
• 1.4.1 論文研究內(nèi)容17-18
• 1.4.2 文章結構安排18-20
• 第2章 水文模型概述20-24
• 2.1 水文模型對象分析20-21
• 2.2 流域拓撲關系21-23
• 2.2.1 流域拓撲關系中的對象21-22
• 2.2.2 對象的連接方式22-23
• 2.3 本章小結23-24
• 第3章 基于PSO優(yōu)化的BP神經(jīng)網(wǎng)絡模型24-36
• 3.1 BP神經(jīng)網(wǎng)絡理論24-27
• 3.2 粒子群算法27-30
• 3.2.1 粒子群算法基本原理27-28
• 3.2.2 粒子群算法的參數(shù)分析28-30
• 3.3 PSO優(yōu)化BP神經(jīng)網(wǎng)絡的分析30-35
• 3.3.1 BP神經(jīng)網(wǎng)絡存在的問題及改進30-31
• 3.3.2 PSO優(yōu)化BP神經(jīng)網(wǎng)絡的分析31-32
• 3.3.3 PSO-BP神經(jīng)網(wǎng)絡算法設計32-35
• 3.4 本章小結35-36
• 第4章 數(shù)據(jù)清洗方法的研究36-48
• 4.1 數(shù)據(jù)來源及誤差分析36-39
• 4.2 數(shù)據(jù)清洗方法的選擇39-40
• 4.3 異常值的剔除方法40-41
• 4.4 樣本數(shù)據(jù)異常值處理的流程41-46
• 4.4.1 測流軟件處理數(shù)據(jù)誤差41
• 4.4.2 異常值的處理方法41-43
• 4.4.3 樣本數(shù)據(jù)的變換處理43-44
• 4.4.4 模型樣本集的構建44
• 4.4.5 異常值剔除算例44-46
• 4.5 本章小結46-48
• 第5章 基于PSO-BP神經(jīng)網(wǎng)絡水位預測建模48-56
• 5.1 河段水位預測模型48-54
• 5.1.1 預報模型類型48
• 5.1.2 網(wǎng)絡主要參數(shù)48-50
• 5.1.3 洪水預報精度評定50-52
• 5.1.4 仿真結果與分析52-54
• 5.2 本章小結54-56
• 第6章 總結與展望56-58
• 6.1 總結56
• 6.2 展望56-58
• 致謝58-60
• 參考文獻60-66
• 附錄A 攻讀學位期間發(fā)表論文與參加課題66-68
• 附錄B PSO優(yōu)化BP神經(jīng)網(wǎng)絡主程序68-70
• 附錄C 檢驗法臨界值70-71

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 杜迎燕;夏達忠;張行南;唐雷彬;李威;;基于GIS的水文模型對象解析[J];東北水利水電;2006年09期

2 吳險峰,劉昌明;流域水文模型研究的若干進展[J];地理科學進展;2002年04期

3 沈曉東，王臘春，謝順平;基于柵格數(shù)據(jù)的流域降雨徑流模型[J];地理學報;1995年03期

4 孫佰清,潘啟樹,馮英浚,張長勝;提高BP網(wǎng)絡訓練速度的研究[J];哈爾濱工業(yè)大學學報;2001年04期

5 李致家,周軼,哈布·哈其;新安江模型參數(shù)全局優(yōu)化研究[J];河海大學學報(自然科學版);2004年04期

6 覃華,蘇一丹,李陶深;基于遺傳神經(jīng)網(wǎng)絡的數(shù)據(jù)清洗方法[J];計算機工程與應用;2004年03期

7 張鈴;張鈸;;神經(jīng)網(wǎng)絡中BP算法的分析[J];模式識別與人工智能;1994年03期

8 劉國緯;論防洪減災非工程措施的定義與分類[J];水科學進展;2003年01期

9 芮孝芳;流域水文模型研究中的若干問題[J];水科學進展;1997年01期

10 胡亞林,付成偉,馬濤;國家防汛抗旱指揮系統(tǒng)工程[J];中國水利;2003年22期

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 張會;貴州縣域農(nóng)業(yè)資源信息系統(tǒng)研究[D];貴州師范大學;2007年

，

本文編號：1128309