【摘要】：由于水資源在人類生產(chǎn)生活中的重要作用及其可利用總量的匱乏,有效的水文預(yù)測(cè)可以為水資源的管理和合理規(guī)劃提供可靠的參考依據(jù)。因此,對(duì)于水文數(shù)據(jù)的精準(zhǔn)預(yù)測(cè)尤為重要。本文主要做了兩個(gè)實(shí)證分析,分別對(duì)湖北神農(nóng)架林區(qū)松柏水文站的四個(gè)雨量站的降雨量以及甘肅省疏勒河昌馬堡水文站的徑流量進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)一,提出一種新的組合模型SSA-DA-SVR預(yù)測(cè)降雨量,即基于奇異譜分析(SSA),蜻蜓優(yōu)化算法(DA)和支持向量機(jī)回歸(SVR)的組合模型。首先,SSA用來(lái)提取水文數(shù)據(jù)的趨勢(shì)特征。其次,DA用來(lái)優(yōu)化模型SVR中的懲罰參數(shù)c和核函數(shù)參數(shù)g。最后,SVR被選為尋找非線性系統(tǒng)中輸入和輸出間關(guān)系的預(yù)測(cè)模型。提出的組合模型SSA-DA-SVR對(duì)松柏、盤水、欄馬和九龍池四個(gè)雨量站的月平均降雨量進(jìn)行預(yù)測(cè)。為了驗(yàn)證模型的有效性,建立組合模型DA-SVR,SSA-GWO-SVR,SSA-PSO-SVR,SSA-CS-SVR,結(jié)果表明在五個(gè)組合模型中,新提出的組合模型預(yù)測(cè)精度較高。實(shí)驗(yàn)二,主要是對(duì)甘肅省疏勒河昌馬堡水文站月平均徑流量進(jìn)行預(yù)測(cè)。首先,用EEMD將原始數(shù)據(jù)進(jìn)行分解以充分提取各個(gè)趨勢(shì),其次,根據(jù)所提取出的趨勢(shì)特征分別選取適合該信號(hào)序列的算法對(duì)其進(jìn)行預(yù)測(cè),最后將得到的各個(gè)序列的預(yù)測(cè)值疊加即可得到最終的徑流量預(yù)測(cè)值,即為通過(guò)組合模型EEMD-IMFs-COM對(duì)月平均徑流量進(jìn)行預(yù)測(cè)得到的預(yù)測(cè)值。為了驗(yàn)證提出的組合模型的有效性,跟對(duì)比模型作比較,可以得出新提出的組合模型預(yù)測(cè)性能較好且預(yù)測(cè)精度較高。通過(guò)案例分析,可以將以上兩種混合模型作為一種簡(jiǎn)便有效的工具運(yùn)用在水文預(yù)報(bào)領(lǐng)域。
【圖文】：

圖 2-1 蜻蜓算法基本流程圖2.3 集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）2.3.1 經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)在 1998 年，Norden E.Huang 提出了經(jīng)驗(yàn)?zāi)B(tài)(EMD)分解法，EMD 源于此假設(shè)：任何信號(hào)都是由不同的固有振蕩模式分量構(gòu)成�；谛盘�(hào)的局部特征時(shí)間尺度，從原始信號(hào)中提取出可數(shù)個(gè)固有模態(tài)函數(shù)（Intrinsic Mode Function, IMF）和一個(gè)殘余量(Res)。分析各個(gè) IMF，，能夠更精確地掌握原時(shí)序的特征信息。每個(gè)IMF 滿足下列兩個(gè)條件[50][51]：（1）在整個(gè)數(shù)據(jù)集上，局部極值點(diǎn)的個(gè)數(shù)和過(guò)零點(diǎn)的數(shù)目必須相等，或者至多只能相差一個(gè)。（2）在任意時(shí)點(diǎn)，局部極大值點(diǎn)擬合得到上包絡(luò)和局部極小值點(diǎn)擬合的下包絡(luò)的均值必須為 0。

圖 2-2 EEMD 流程圖2.4 徑向基神經(jīng)網(wǎng)絡(luò)(RBFNN)徑向基神經(jīng)網(wǎng)絡(luò)（Radial Basis Function, RBFNN）是三層結(jié)構(gòu)的單層前向神經(jīng)網(wǎng)絡(luò)，其隱含層神經(jīng)元的激活函數(shù)是 RBF(Radial Basis Function)，輸出層是對(duì)隱含層神經(jīng)元輸出的線性組合，從輸入層到隱含層的映射是非線性的，從隱含層到輸出層的映射是線性的。作為一種靜態(tài)網(wǎng)具有唯一的最佳逼近點(diǎn)[57]。RBFNN的網(wǎng)絡(luò)結(jié)構(gòu)如圖 2-3 所示[57]：
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：P333

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 肖進(jìn)麗;劉明俊;李曉磊;;基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和灰色神經(jīng)網(wǎng)絡(luò)的船舶交通流預(yù)測(cè)[J];武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版);2017年06期

2 陳一明;何子杰;賁月;董慶華;;基于小波變換的徑流與降水時(shí)頻變化及相關(guān)性分析——以五郎河為例[J];中國(guó)農(nóng)村水利水電;2017年10期

3 王軍;費(fèi)凱;程勇;;基于改進(jìn)的Adaboost-BP模型在降水中的預(yù)測(cè)[J];計(jì)算機(jī)應(yīng)用;2017年09期

4 王福振;;人工神經(jīng)網(wǎng)絡(luò)結(jié)合SWAT模型在河道徑流量預(yù)測(cè)中的應(yīng)用[J];水資源開發(fā)與管理;2017年08期

5 李培都;司建華;馮起;趙春彥;王春林;;基于小波分析和灰色預(yù)測(cè)的鶯落峽年徑流量特征分析[J];水土保持通報(bào);2017年04期

6 郭尚瓚;肖達(dá);袁行遠(yuǎn);;基于神經(jīng)網(wǎng)絡(luò)和模型集成的短時(shí)降雨預(yù)測(cè)方法[J];氣象科技進(jìn)展;2017年01期

7 馬樂(lè)寬;邱t@;趙越;李雪;王玉秋;;基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)的小流域日徑流量預(yù)測(cè)研究[J];水資源與水工程學(xué)報(bào);2016年05期

8 滕少華;唐海濤;張巍;劉冬寧;梁路;;混合PNN和RBF多神經(jīng)網(wǎng)絡(luò)模型的局域降雨類型識(shí)別及雨量預(yù)測(cè)[J];小型微型計(jì)算機(jī)系統(tǒng);2016年11期

9 崔東文;;幾種智能算法與支持向量機(jī)融合模型在中長(zhǎng)期月徑流預(yù)測(cè)中的應(yīng)用[J];華北水利水電大學(xué)學(xué)報(bào)(自然科學(xué)版);2016年05期

10 本刊編輯部;;2015中國(guó)環(huán)境狀況公報(bào)發(fā)布[J];中國(guó)能源;2016年08期

中國(guó)重要報(bào)紙全文數(shù)據(jù)庫(kù) 前1條

1 吳普特;;大力發(fā)展節(jié)水農(nóng)業(yè) 需要解決哪些問(wèn)題[N];中國(guó)水利報(bào);2014年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前5條

1 郭田琳;基于混合模型方法的水文數(shù)據(jù)的研究及預(yù)測(cè)[D];蘭州大學(xué);2017年

2 姜珍;基于SAGA的優(yōu)化算法在徑流量預(yù)測(cè)中的研究與應(yīng)用[D];蘭州大學(xué);2017年

3 孫惠子;中長(zhǎng)期徑流的多種組合預(yù)測(cè)方法及其比較[D];西北農(nóng)林科技大學(xué);2012年

4 計(jì)亞麗;基于混沌理論的呼倫湖流域降雨徑流時(shí)間序列預(yù)測(cè)分析[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2012年

5 晉美次旦;基于魚群優(yōu)化支持向量機(jī)的水文預(yù)測(cè)系統(tǒng)[D];天津大學(xué);2009年

本文編號(hào)：2611503