為快速預(yù)判流量等級,將復(fù)雜洪水預(yù)報(bào)過程簡化為徑流預(yù)判任務(wù),借鑒卷積神經(jīng)網(wǎng)絡(luò)（CNN）在圖像識別領(lǐng)域的應(yīng)用思路,研究CNN徑流預(yù)判模型搭建過程,深入分析樣本處理、網(wǎng)絡(luò)搭建、參數(shù)率定、性能測試、精度檢驗(yàn)、知識訓(xùn)練等關(guān)鍵環(huán)節(jié),提出基于CNN深度學(xué)習(xí)的徑流預(yù)判方法。根據(jù)某水庫2008—2017年的歷史運(yùn)行資料,構(gòu)建其入庫徑流等級預(yù)測CNN模型實(shí)例,采用61 362個(gè)樣本進(jìn)行參數(shù)訓(xùn)練,17 532個(gè)樣本進(jìn)行模型測試,8 766個(gè)樣本進(jìn)行成果檢驗(yàn),預(yù)測準(zhǔn)確率為92.94%。研究結(jié)果表明,CNN徑流預(yù)判方法可作為防汛形勢分析及會(huì)商決策的重要依據(jù)。 

【文章頁數(shù)】：6 頁

【參考文獻(xiàn)】：
期刊論文
[1]貝葉斯概率水文預(yù)報(bào)研究進(jìn)展與展望[J]. 劉章君,郭生練,許新發(fā),成靜清,鐘逸軒,巴歡歡.  水利學(xué)報(bào). 2019(12)
[2]深度學(xué)習(xí)在圖像識別中的應(yīng)用研究綜述[J]. 鄭遠(yuǎn)攀,李廣陽,李曄.  計(jì)算機(jī)工程與應(yīng)用. 2019(12)
[3]基于深度學(xué)習(xí)的中小河流洪水預(yù)報(bào)方法研究[J]. 馬瑜君,鄒希.  國外電子測量技術(shù). 2018(12)
[4]基于耦合機(jī)器學(xué)習(xí)模型的洪水預(yù)報(bào)研究[J]. 闞光遠(yuǎn),洪陽,梁珂.  中國農(nóng)村水利水電. 2018(10)
[5]新安江模型和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型在閩江水文預(yù)報(bào)中的應(yīng)用[J]. 劉佩瑤,郝振純,王國慶,趙思遠(yuǎn),王樂揚(yáng).  水資源與水工程學(xué)報(bào). 2017(01)
[6]若干水文預(yù)報(bào)方法綜述[J]. 王文,馬駿.  水利水電科技進(jìn)展. 2005(01)



本文編號：3710968