本文關鍵詞：基于小波廣義回歸神經(jīng)網(wǎng)絡耦合模型的月徑流預測　出處：《水力發(fā)電學報》2016年05期 　論文類型：期刊論文

  更多相關文章： 月徑流預測 離散小波變換 廣義回歸神經(jīng)網(wǎng)絡 確定性成分 隨機性成分

【摘要】：針對中長期水文預報方法預測結果精度低的問題,將離散小波變換(DWT)與廣義回歸神經(jīng)網(wǎng)絡(GRNN)耦合,建立了月徑流預測模型。通過DWT處理將原始月徑流序列分解重構為確定性成分和隨機性成分兩個分量,對兩個分量的GRNN模型預測結果疊加作為預測值的方法稱為WGRNN1模型。將WGRNN1模型與剔除隨機序列的GRNN模型(WGRNN2)和不進行離散小波變換的GRNN模型結果進行對比,采用平均絕對誤差(MAE)、確定性系數(shù)(DC)和相關系數(shù)(R)為模型評價指標。將模型應用于黑河干流鶯落峽站的月徑流預測,結果表明:模型WGRNN2的評價指標優(yōu)于WGRNN1,且這兩個模型預測效果都優(yōu)于GRNN模型。說明與離散小波變換的耦合可以提高GRNN模型對月徑流的預測精度,同時剔除隨機成分的小波廣義回歸神經(jīng)網(wǎng)絡模型有更好的預測效果,可應用于實際生產(chǎn)。
[Abstract]:In order to solve the problem of low accuracy of the prediction results of the medium and long term hydrological forecasting methods, the discrete wavelet transform (DWT) and the generalized regression neural network (GRNN) are coupled. The monthly runoff prediction model is established and the original monthly runoff series is decomposed into deterministic components and stochastic components by DWT processing. The method of superimposing the prediction results of two components of GRNN model as the prediction value is called WGRNN1 model. The WGRNN1 model and the GRNN model which excludes random sequences are combined with WGRN2). The results are compared with the results of GRNN model without discrete wavelet transform. The mean absolute error (mae), deterministic coefficient (DC) and correlation coefficient (R) were used as the evaluation index. The model was applied to the monthly runoff prediction of Yingluoxia station in the main stream of Heihe River. The results show that the evaluation index of model WGRNN2 is better than that of WGRNN1. These two models are better than GRNN model, which shows that the coupling with discrete wavelet transform can improve the accuracy of monthly runoff prediction by GRNN model. The wavelet generalized regression neural network model, which excludes the random components, has better prediction effect and can be used in practical production.
【作者單位】： 西北農(nóng)林科技大學水利與建筑工程學院;
【基金】：國家自然科學基金(91425302;51279166)
【分類號】：TV121
【正文快照】： 0引言中長期徑流預測可為流域水資源的規(guī)劃利用和運行管理提供依據(jù)。對徑流的準確模擬和預測一直是國內(nèi)外水文學者關注和研究的重點問題之一,盡管已經(jīng)發(fā)展了很多預測模型和方法,但由于徑流形成過程受到降水量、下墊面和人類活動等諸多因子的影響,其變化規(guī)律具有復雜且高度非線

【參考文獻】

相關期刊論文 前9條

1 黃巧玲;粟曉玲;;基于小波支持向量機耦合的月徑流預測方法[J];水力發(fā)電學報;2015年03期

2 唐奇;王紅瑞;許新宜;王成;;基于混合核函數(shù)SVM水文時序模型及其應用[J];系統(tǒng)工程理論與實踐;2014年02期

3 覃光華;宋克超;周澤江;何清燕;;基于WA-GRNN模型的年徑流預測[J];四川大學學報(工程科學版);2013年06期

4 周秀平;李天翔;王文圣;;年徑流預測的最小二乘支持向量機-馬爾可夫鏈組合模型[J];水力發(fā)電學報;2013年04期

5 周淼;田富強;胡和平;;基于聯(lián)合主成分分析的宜昌站徑流中長期預報[J];水力發(fā)電學報;2013年01期

6 劉立生;楊宇航;;基于小波神經(jīng)網(wǎng)絡的直升機主減速器故障診斷系統(tǒng)[J];航空動力學報;2012年06期

7 桑燕芳;王棟;吳吉春;朱慶平;王玲;;基于WA、ANN和水文頻率分析法相結合的中長期水文預報模型的研究[J];水文;2009年03期

8 張禮兵;金菊良;程吉林;趙國峰;;基于人工神經(jīng)網(wǎng)絡的模型擇優(yōu)預測方法及應用[J];水力發(fā)電學報;2007年06期

9 李慶國,陳守煜;基于模糊模式識別的支持向量機的回歸預測方法[J];水科學進展;2005年05期

【共引文獻】

相關期刊論文 前10條

1 郝麗娜;粟曉玲;黃巧玲;;基于小波廣義回歸神經(jīng)網(wǎng)絡耦合模型的月徑流預測[J];水力發(fā)電學報;2016年05期

2 董素鴿;李銳君;葛明濤;;中長期徑流預報中PCA-IBP模型的改進算法研究[J];河南科學;2016年04期

3 但靈芝;王建群;陳理想;陳紅紅;;ν-支持向量機洪水預報模型研究[J];水文;2016年02期

4 吳新新;;基于改進集對分析的新疆黃水溝年徑流預測[J];水資源開發(fā)與管理;2016年01期

5 劉承寶;劉新忠;苗宇;;基于混合核PSO-LSSVM的軋制力預測[J];冶金自動化;2016年02期

6 范振東;崔偉杰;陳敏;杜傳陽;;基于IPSO-RVM的大壩安全預警模型[J];長江科學院院報;2016年02期

7 李深奇;肖景西;覃光華;張澤慧;;基于率定量化標準系數(shù)的SPA年徑流預測[J];長江科學院院報;2016年01期

8 孫湛青;謝蕾;;基于GA-SVM的河川徑流量預測模型研究[J];武漢理工大學學報(信息與管理工程版);2015年05期

9 李深奇;彭輝;覃光華;張澤慧;李紅霞;;年徑流預測的G-SPA模型及其應用[J];人民黃河;2015年10期

10 高雷阜;佟盼;;一類基于Askey-Wilson多項式的新核函數(shù)[J];小型微型計算機系統(tǒng);2015年09期

【二級參考文獻】

相關期刊論文 前10條

1 周淼;田富強;胡和平;;基于聯(lián)合主成分分析的宜昌站徑流中長期預報[J];水力發(fā)電學報;2013年01期

2 丁愛中;趙銀軍;郝弟;張淑榮;喬光建;;永定河流域徑流變化特征及影響因素分析[J];南水北調(diào)與水利科技;2013年01期

3 桑燕芳;王中根;劉昌明;;水文序列小波分析中分解層數(shù)選擇方法[J];水文;2012年04期

4 孫甲嵐;雷曉輝;蔣云鐘;王浩;;長江流域上游氣溫、降水及徑流變化趨勢分析[J];水電能源科學;2012年05期

5 崔東文;;RBF與GRNN神經(jīng)網(wǎng)絡模型在河流健康評價中的應用——以文山州區(qū)域中小河流健康評價為例[J];中國農(nóng)村水利水電;2012年03期

6 徐廷兵;馬光文;黃煒斌;邢冰;;基于小波分析的BP網(wǎng)絡預測模型及其在年徑流預測中的應用[J];水電能源科學;2012年02期

7 馬細霞;穆浩澤;;基于混沌分析的月徑流序列耦合預測模型及其應用[J];水力發(fā)電學報;2010年06期

8 張楠;夏自強;江紅;;基于多因子量化指標的支持向量機徑流預測[J];水利學報;2010年11期

9 王紅瑞;劉曉紅;唐奇;何麟;;基于小波變換的支持向量機水文過程預測[J];清華大學學報(自然科學版);2010年09期

10 暢明琦;劉俊萍;;蘭州站徑流支持向量機預測[J];水力發(fā)電學報;2010年04期

【相似文獻】

相關期刊論文 前10條

1 張建興;馬孝義;趙文舉;高文強;王波雷;;基于生命旋回-權馬爾可夫的徑流預測模型[J];武漢大學學報(工學版);2008年06期

2 馬建琴;許龍賓;師琨;;改進型灰色馬爾科夫模型在徑流預測中的應用[J];華北水利水電學院學報;2012年02期

3 周秀平;王文圣;黃偉軍;;支持向量機回歸模型在徑流預測中的應用[J];水電能源科學;2006年04期

4 袁曉輝;張勇傳;袁艷斌;;基于遺傳規(guī)劃的徑流預測新方法[J];水力發(fā)電;2006年08期

5 陳f^;隋彬;;徑流預測在雅礱江流域梯級電站中的應用[J];水力發(fā)電;2007年12期

6 曹輝;黃強;白濤;金力新;吳超;;徑流預測方法對比分析[J];人民黃河;2009年09期

7 汪蕓;郭生練;李響;;奇異譜分析在中長期徑流預測中的應用研究[J];人民長江;2011年09期

8 朱聰;王文圣;程開宇;楊娟;;一種新型耦合模型在月徑流預測中的應用[J];水力發(fā)電;2012年01期

9 劉素一,廖家平;徑流預測中的非線性分析方法[J];湖北工學院學報;2003年01期

10 李計;李毅;嚴寶文;宋松柏;;基于四種方法的月徑流預測研究[J];水利與建筑工程學報;2010年02期

相關碩士學位論文 前7條

1 汪龍;基于BP網(wǎng)絡的徑流預測研究[D];昆明理工大學;2015年

2 潘希強;面向藏木電站下閘蓄水日期選擇的雅江中游徑流預測研究[D];清華大學;2014年

3 戴露;雅魯藏布江中游段徑流預測研究[D];四川大學;2006年

4 楊東方;電力市場環(huán)境下水電站中長期徑流預測及優(yōu)化調(diào)度研究[D];四川大學;2003年

5 任磊;基于人工神經(jīng)網(wǎng)絡的金溝河流域徑流預測研究[D];新疆農(nóng)業(yè)大學;2012年

6 張偉;基于人工神經(jīng)網(wǎng)絡的徑流預測研究[D];石河子大學;2008年

7 秦蓓蕾;清江流域水文中長期預測研究[D];四川大學;2004年

，

本文編號：1441143