本文關鍵詞：基于人工神經(jīng)網(wǎng)絡的荊江河段水文研究

  更多相關文章： 水文研究 人工神經(jīng)網(wǎng)絡 BP神經(jīng)網(wǎng)絡 禁忌全局優(yōu)化 MATLAB

【摘要】：河段水文研究是水文科學的重要課題,而防汛工程是河段水文研究的重點對象,作為水文研究中的核心部分——徑流預報,不僅是一項減免地區(qū)損失非常重要的防洪措施,也是一項科學利用水資源的舉措,因而引起越來越多國內(nèi)外水文專家的重視。及時準確的水文預報,一方面可以為防洪、調(diào)度、決策提供重要依據(jù),從而降低洪澇災害的風險；一方面可以合理利用水資源,為地區(qū)帶來可觀的經(jīng)濟效益和社會效益。目前,對于水文預測這類復雜的“黑箱”問題,傳統(tǒng)辦法大都尋求的是輸入、輸出之間的線性關系,而人工神經(jīng)網(wǎng)絡通過轉換函數(shù),直接尋求輸入、輸出之間的非線性關系,后者在理論上更適合洪水的運動特性。人工神經(jīng)網(wǎng)絡具有非線性以及學習等特點,但同是也存在收斂慢、易發(fā)生震蕩的缺點。因此,本文以荊江河段為研究對象,主要研究內(nèi)容如下：(1)對荊江河段的水文情況進行了簡要闡述,分析比較傳統(tǒng)和新型水文預報方法,將人工神經(jīng)網(wǎng)絡引入模型,并介紹人工神經(jīng)網(wǎng)絡模型在水文研究中的研究現(xiàn)狀。(2)本文在普遍適用的BP神經(jīng)網(wǎng)絡的基礎上,研究其改進方法,并將禁忌搜索引入模型,建立了可以實現(xiàn)全局優(yōu)化進而提高水文預報精度的禁忌全局優(yōu)化網(wǎng)絡模型。其中針對禁忌全局優(yōu)化網(wǎng)絡的結構設計、算法實現(xiàn)、參數(shù)設定進行了深入研究。(3)最后運用MATLAB仿真軟件分別構建BP神經(jīng)網(wǎng)絡和禁忌全局優(yōu)化網(wǎng)絡的日預測模型,利用荊江河段歷年的水文數(shù)據(jù)進行學習訓練,分析結果表明,禁忌全局優(yōu)化網(wǎng)絡模型的預測精度要優(yōu)于BP神經(jīng)網(wǎng)絡�；谥虚L期預測對水庫調(diào)度、防汛抗旱、水資源規(guī)劃管理等工作至關重要,進而構建月預測模型,分析結果表明,禁忌全局優(yōu)化網(wǎng)絡模型的預測精度要明顯優(yōu)于BP神經(jīng)網(wǎng)絡。(4)本文所建模型合理,水文預報效果好,可操作性強,研究成果對長江流域河段水文研究具有重要參考價值。
【關鍵詞】：水文研究 人工神經(jīng)網(wǎng)絡 BP神經(jīng)網(wǎng)絡 禁忌全局優(yōu)化 MATLAB
【學位授予單位】：廣西師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP183;TV147
【目錄】：

• 摘要3-4
• Abstract4-8
• 1 緒論8-13
• 1.1 研究背景與意義8
• 1.2 水文研究方法的研究現(xiàn)狀8-12
• 1.2.1 經(jīng)驗相關法9
• 1.2.2 傳統(tǒng)模型法9-10
• 1.2.3 現(xiàn)代模型10-12
• 1.3 主要研究內(nèi)容和思路12
• 1.3.1 理論研究12
• 1.3.2 仿真實現(xiàn)12
• 1.4 本章小結12-13
• 2 荊江河段水文概況13-17
• 2.1 自然概況13-14
• 2.2 水文站分布14-15
• 2.3 水文特征值15-16
• 2.4 本章小結16-17
• 3 BP神經(jīng)網(wǎng)絡和禁忌全局優(yōu)化網(wǎng)絡的基本理論17-30
• 3.1 人工神經(jīng)網(wǎng)絡17-19
• 3.1.1 人工神經(jīng)元17
• 3.1.2 神經(jīng)元激活函數(shù)17-18
• 3.1.3 訓練及學習規(guī)則18-19
• 3.1.4 人工神經(jīng)網(wǎng)絡模型19
• 3.2 BP神經(jīng)網(wǎng)絡19-24
• 3.2.1 BP神經(jīng)網(wǎng)絡模型20
• 3.2.2 BP神經(jīng)網(wǎng)絡算法20-23
• 3.2.3 BP神經(jīng)網(wǎng)絡優(yōu)缺點及改進23-24
• 3.3 禁忌全局優(yōu)化網(wǎng)絡24-29
• 3.3.1 局部鄰域搜索24-25
• 3.3.2 禁忌搜索的主要參數(shù)25-26
• 3.3.3 禁忌搜索算法流程26-27
• 3.3.4 禁忌搜索算法優(yōu)缺點及改進27-29
• 3.4 本章小結29-30
• 4 日預測模型的建立30-47
• 4.1 水文模型的建立30-31
• 4.1.1 模型構造30-31
• 4.1.2 網(wǎng)絡訓練樣本選取31
• 4.2 樣本數(shù)據(jù)處理31-33
• 4.2.1 樣本的收集及處理31-32
• 4.2.2 樣本的歸一化處理32-33
• 4.3 預測模型評價標準33-34
• 4.4 BP神經(jīng)網(wǎng)絡模型的設計34-36
• 4.4.1 網(wǎng)絡層數(shù)的設計34-35
• 4.4.2 網(wǎng)絡神經(jīng)元個數(shù)的設計35
• 4.4.3 網(wǎng)絡學習參數(shù)率定35-36
• 4.5 禁忌全局優(yōu)化網(wǎng)絡模型的設計36-38
• 4.5.1 基本禁忌搜索算法的參數(shù)率定36-37
• 4.5.2 改進禁忌搜索算法的參數(shù)率定37-38
• 4.6 網(wǎng)絡建模仿真及結果分析38-46
• 4.6.1 水位日預測模型38-42
• 4.6.2 流量日預測模型42-46
• 4.7 本章小結46-47
• 5 月趨勢預測模型的建立47-51
• 5.1 水文模型的建立47
• 5.1.1 模型構造47
• 5.1.2 網(wǎng)絡訓練樣本選取47
• 5.2 網(wǎng)絡建模仿真及結果分析47-50
• 5.3 本章小結50-51
• 6 總結與展望51-53
• 6.1 總結51-52
• 6.2 展望52-53
• 參考文獻53-56
• 致謝56-57

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 汪鐳,周國興,吳啟迪;人工神經(jīng)網(wǎng)絡在傳動領域中的應用[J];電機與控制學報;2001年01期

2 戰(zhàn)凱,朱文斌,黃文斌;人工神經(jīng)網(wǎng)絡在軍用艦船工程中的應用展望[J];青島大學學報(工程技術版);2001年03期

3 高瑋玲,于敏學,楊紹華,梁允榮;基于客戶/服務器的人工神經(jīng)網(wǎng)絡系統(tǒng)的設計與實現(xiàn)[J];北京理工大學學報;2002年02期

4 趙茂程,鄭加強,封曉強,林小靜;人工神經(jīng)網(wǎng)絡在林業(yè)中的應用研究與展望[J];中國制造業(yè)信息化;2003年04期

5 楊新華;王關平;侯z，

本文編號：667321