發(fā)布時間：2021-09-16 20:44

　　針對常規(guī)的指標流速法精度不足的缺點,分析探究了利用機器學習模型由H-ADCP網(wǎng)格單元流速推求測流斷面平均流速的可行性與適用性。選擇引丹灌渠清泉溝隧洞出口下游清泉溝站2018～2019年共136測次人工比測流量資料及同時期H-ADCP網(wǎng)格單元流速資料,分別構(gòu)建了3種機器學習模型（支持向量回歸、BP神經(jīng)網(wǎng)絡(luò)和極限學習機）,并基于8種H-ADCP網(wǎng)格單元分配方案對斷面平均流速進行了模擬。以指標流速法為參照基準,對比分析了3種機器學習模型的擬合效果。結(jié)果表明:相比常規(guī)的指標流速法,機器學習模型能更精確地擬合斷面平均流速值。此外,H-ADCP有效網(wǎng)格單元數(shù)對指標流速法的斷面平均流速擬合效果影響較大,對各機器學習方法的擬合性能影響不顯著。研究成果可為機器學習模型與傳統(tǒng)水文測驗方法的深度融合提供新的研究思路。 

【文章來源】：人民長江. 2020,51(11)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 支持向量機、BP神經(jīng)網(wǎng)絡(luò)與極限學習機結(jié)構(gòu)示意

清泉溝站測流大斷面與H-ADCP安裝位置示意

不同網(wǎng)格單元方案下各模型對測試集樣本數(shù)據(jù)的模擬效果(以多項式回歸模型PR為參照)

【參考文獻】：
期刊論文
[1]不同方法在感潮河段ADCP在線測流系統(tǒng)中應(yīng)用的比較分析[J]. 韋立新,曹貫中,蔡磊.  水文. 2019(06)
[2]人工智能在水文預(yù)報中的應(yīng)用研究[J]. 周研來,郭生練,張斐章,陳華,鐘逸軒,巴歡歡.  水資源研究. 2019(01)
[3]ELM與BP神經(jīng)網(wǎng)絡(luò)模型在徑流預(yù)報中的比較研究[J]. 王文川,李文錦,徐冬梅,李慶敏.  水資源研究. 2018(06)
[4]H-ADCP流量在線監(jiān)測系統(tǒng)軟件設(shè)計與實現(xiàn)[J]. 陳衛(wèi),周波.  人民長江. 2015(21)
[5]基于ELM學習算法的混沌時間序列預(yù)測[J]. 李彬,李貽斌.  天津大學學報. 2011(08)
[6]H-ADCP實時流量在線監(jiān)測系統(tǒng)研究[J]. 徐剛,胡焰鵬,樊云,翟謹.  中國農(nóng)村水利水電. 2009(09)
[7]應(yīng)用光滑支持向量機預(yù)測漢江流域降水變化[J]. 陳華,郭靖,熊偉,郭生練,許崇育.  長江科學院院報. 2008(06)
[8]H-ADCP在復(fù)雜環(huán)境下的應(yīng)用[J]. 杜耀東,宋星原,王俊.  人民長江. 2008(03)
[9]H-ADCP流量在線監(jiān)測指標流速法定線軟件“定線通”介紹與應(yīng)用[J]. 王發(fā)君,黃河寧.  水文. 2007(04)
[10]指標流速法在珠江三角洲的應(yīng)用[J]. 李志敏.  中國水利. 2007(11)

博士論文
[1]核極限學習機的理論與算法及其在圖像處理中的應(yīng)用[D]. 李小冬.浙江大學 2014
[2]基于極限學習的系統(tǒng)辨識方法及應(yīng)用研究[D]. 楊易旻.湖南大學 2013



本文編號：3397265