本文關(guān)鍵詞：基于人工神經(jīng)網(wǎng)絡(luò)的荊江河段水文研究

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

【摘要】：河段水文研究是水文科學(xué)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(yù)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(xué)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(yù)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(zāi)害的風(fēng)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(yù)測這類復(fù)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(guān)系,而人工神經(jīng)網(wǎng)絡(luò)通過轉(zhuǎn)換函數(shù),直接尋求輸入、輸出之間的非線性關(guān)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(luò)具有非線性以及學(xué)習(xí)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(yù)報方法,將人工神經(jīng)網(wǎng)絡(luò)引入模型,并介紹人工神經(jīng)網(wǎng)絡(luò)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(luò)的基礎(chǔ)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(yù)報精度的禁忌全局優(yōu)化網(wǎng)絡(luò)模型。其中針對禁忌全局優(yōu)化網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計、算法實現(xiàn)、參數(shù)設(shè)定進行了深入研究。(3)最后運用MATLAB仿真軟件分別構(gòu)建BP神經(jīng)網(wǎng)絡(luò)和禁忌全局優(yōu)化網(wǎng)絡(luò)的日預(yù)測模型,利用荊江河段歷年的水文數(shù)據(jù)進行學(xué)習(xí)訓(xùn)練,分析結(jié)果表明,禁忌全局優(yōu)化網(wǎng)絡(luò)模型的預(yù)測精度要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)�；谥虚L期預(yù)測對水庫調(diào)度、防汛抗旱、水資源規(guī)劃管理等工作至關(guān)重要,進而構(gòu)建月預(yù)測模型,分析結(jié)果表明,禁忌全局優(yōu)化網(wǎng)絡(luò)模型的預(yù)測精度要明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。(4)本文所建模型合理,水文預(yù)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(guān)鍵詞】：水文研究 人工神經(jīng)網(wǎng)絡(luò) BP神經(jīng)網(wǎng)絡(luò) 禁忌全局優(yōu)化 MATLAB
【學(xué)位授予單位】：廣西師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)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(guān)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(jié)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(jié)16-17
• 3 BP神經(jīng)網(wǎng)絡(luò)和禁忌全局優(yōu)化網(wǎng)絡(luò)的基本理論17-30
• 3.1 人工神經(jīng)網(wǎng)絡(luò)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(xùn)練及學(xué)習(xí)規(guī)則18-19
• 3.1.4 人工神經(jīng)網(wǎng)絡(luò)模型19
• 3.2 BP神經(jīng)網(wǎng)絡(luò)19-24
• 3.2.1 BP神經(jīng)網(wǎng)絡(luò)模型20
• 3.2.2 BP神經(jīng)網(wǎng)絡(luò)算法20-23
• 3.2.3 BP神經(jīng)網(wǎng)絡(luò)優(yōu)缺點及改進23-24
• 3.3 禁忌全局優(yōu)化網(wǎng)絡(luò)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(jié)29-30
• 4 日預(yù)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(gòu)造30-31
• 4.1.2 網(wǎng)絡(luò)訓(xùn)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(yù)測模型評價標準33-34
• 4.4 BP神經(jīng)網(wǎng)絡(luò)模型的設(shè)計34-36
• 4.4.1 網(wǎng)絡(luò)層數(shù)的設(shè)計34-35
• 4.4.2 網(wǎng)絡(luò)神經(jīng)元個數(shù)的設(shè)計35
• 4.4.3 網(wǎng)絡(luò)學(xué)習(xí)參數(shù)率定35-36
• 4.5 禁忌全局優(yōu)化網(wǎng)絡(luò)模型的設(shè)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(luò)建模仿真及結(jié)果分析38-46
• 4.6.1 水位日預(yù)測模型38-42
• 4.6.2 流量日預(yù)測模型42-46
• 4.7 本章小結(jié)46-47
• 5 月趨勢預(yù)測模型的建立47-51
• 5.1 水文模型的建立47
• 5.1.1 模型構(gòu)造47
• 5.1.2 網(wǎng)絡(luò)訓(xùn)練樣本選取47
• 5.2 網(wǎng)絡(luò)建模仿真及結(jié)果分析47-50
• 5.3 本章小結(jié)50-51
• 6 總結(jié)與展望51-53
• 6.1 總結(jié)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(luò)在傳動領(lǐng)域中的應(yīng)用[J];電機與控制學(xué)報;2001年01期

2 戰(zhàn)凱,朱文斌,黃文斌;人工神經(jīng)網(wǎng)絡(luò)在軍用艦船工程中的應(yīng)用展望[J];青島大學(xué)學(xué)報(工程技術(shù)版);2001年03期

3 高瑋玲,于敏學(xué),楊紹華,梁允榮;基于客戶/服務(wù)器的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的設(shè)計與實現(xiàn)[J];北京理工大學(xué)學(xué)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(luò)在林業(yè)中的應(yīng)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(guān)平;侯z，

本文編號：667321