從古到今,由于外界多種因素的影響造成洪水的發(fā)生頻率較高。因此國(guó)內(nèi)外的很多研究學(xué)者都把洪水預(yù)測(cè)作為研究對(duì)象,以期為防洪工程建設(shè)提供幫助,為人民生命財(cái)產(chǎn)安全給予保障。本文在此基礎(chǔ)上對(duì)基于Copula函數(shù)和神經(jīng)網(wǎng)絡(luò)模型的洪水預(yù)測(cè)技術(shù)進(jìn)行了研究。文章首先論述了Copula函數(shù)以及神經(jīng)網(wǎng)絡(luò)模型在洪水預(yù)測(cè)中的應(yīng)用,然后結(jié)合目前研究比較熱門(mén)的混合多種模型的方法對(duì)兩種模型進(jìn)行改進(jìn)。本文的方法如下:1.提出利用EM算法和遺傳算法計(jì)算混合Copulas函數(shù)模型中的參數(shù);2.選擇擬合較好的混合Copulas函數(shù)模型,3.建立洪峰與時(shí)段洪量的混合Copulas函數(shù)模型,4.利用它與洪峰值的邊緣分布關(guān)系求出時(shí)段洪量,5.結(jié)果與單一Copula函數(shù)建立的模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析。仿真結(jié)果表明:1.遺傳算法較EM算法能夠更好的收斂于最優(yōu)值;2.基于遺傳算法的混合Copulas函數(shù)模型與單一Copula函數(shù)模型相比有較好的靈活性,3.能夠更好地描繪出洪峰與整個(gè)洪水過(guò)程的時(shí)段洪量的相互關(guān)系。然后針對(duì)水位時(shí)間序列的復(fù)雜性以及變化的遲緩性,在小波神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上提出擴(kuò)展小波神經(jīng)網(wǎng)絡(luò)模型,利用相關(guān)關(guān)系分析與模型仿真對(duì)比分... 

【文章來(lái)源】：南京郵電大學(xué)江蘇省

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

沒(méi)有激勵(lì)函數(shù)的簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)模型

圖 2.5 含有激勵(lì)函數(shù)的簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)模型有的性質(zhì)：函數(shù)是非線性的時(shí)候，一個(gè)三層的神經(jīng)網(wǎng)絡(luò)基本上可以逼是恒等的函數(shù)時(shí)(即 f ( x) x)，就失去了這個(gè)性質(zhì)。一般多勵(lì)函數(shù)，即這個(gè)網(wǎng)絡(luò)是簡(jiǎn)單的線性神經(jīng)網(wǎng)絡(luò)。方法是基于梯度的，此時(shí)激勵(lì)函數(shù)必須是可微的。函數(shù)是單調(diào)函數(shù)的時(shí)候，單層網(wǎng)絡(luò)能夠保證是凸函數(shù)。函數(shù)滿足 f(x)≈x 的時(shí)候，如果參數(shù)的初始化值是隨機(jī)產(chǎn)生度將會(huì)很高效；如果不滿足這個(gè)性質(zhì)，那么就需要很謹(jǐn)慎的擬合、結(jié)果不理想等意外情況。當(dāng)激勵(lì)函數(shù)輸出值是有限的時(shí)候，基于梯度的優(yōu)化方法權(quán)值的影響更顯著；當(dāng)激勵(lì)函數(shù)的輸出是無(wú)窮的時(shí)候，模

圖 3.1 遺傳算法基本流程需要提前設(shè)置，分別為 20~100；，一般取值為 100~500；.4~0.99；.0001~0.1。比分析as 函數(shù)的參數(shù)的計(jì)算過(guò)程數(shù)的參數(shù)估計(jì)值為{i

【參考文獻(xiàn)】：
期刊論文
[1]基于非參數(shù)核密度估計(jì)的風(fēng)速短期相依模型[J]. 徐玉琴,陳坤,聶暘.  太陽(yáng)能學(xué)報(bào). 2017(02)
[2]混合Copula模型選擇及其應(yīng)用[J]. 馬梅,盧俊香,杜艷麗.  價(jià)值工程. 2017(01)
[3]基于灰色-BP神經(jīng)網(wǎng)絡(luò)組合模型的水位預(yù)測(cè)案例[J]. 馬輝,孫潁桃,肖艷,張鵬程.  人民黃河. 2016(12)
[4]基于貝葉斯模型加權(quán)平均法的徑流序列高頻分量預(yù)測(cè)研究[J]. 王斌,張洪波,辛琛,蘭甜.  水力發(fā)電學(xué)報(bào). 2016(05)
[5]Copula預(yù)測(cè)方法及其在年徑流預(yù)測(cè)中的應(yīng)用[J]. 陳晶,王文圣.  水力發(fā)電學(xué)報(bào). 2015(04)
[6]基于小波神經(jīng)與隨機(jī)分析的徑流預(yù)測(cè)[J]. 李保琦,周澤江,馬妍博.  西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(11)
[7]Copula函數(shù)在廣西洪澇災(zāi)害的降水概率預(yù)測(cè)中的應(yīng)用[J]. 倪增華,劉合香,羅彥麗,譚金凱.  氣象研究與應(yīng)用. 2014(02)
[8]不連續(xù)系列的P-Ⅲ型曲線計(jì)算機(jī)適線法探討[J]. 趙璧奎,王麗萍,李繼清,張驗(yàn)科,喻杉.  水電能源科學(xué). 2012(03)
[9]適線法在洪水超定量系列頻率分析中的應(yīng)用研究[J]. 周川,陳元芳,魏琳,程龍,黃琴,曹雪芹.  水電能源科學(xué). 2011(03)
[10]M-Copula函數(shù)在洪水遭遇中的應(yīng)用研究[J]. 王占海,陳元芳,黃琴,王文鵬,劉勇.  水電能源科學(xué). 2009(01)

博士論文
[1]Copula函數(shù)與信息熵理論在洪水多元分析和徑流隨機(jī)模擬中的研究[D]. 童心.南京大學(xué) 2015

碩士論文
[1]基于人工神經(jīng)網(wǎng)絡(luò)的荊江河段水文研究[D]. 李人姝.廣西師范大學(xué) 2016
[2]基于人工神經(jīng)網(wǎng)絡(luò)的集合洪水預(yù)報(bào)研究[D]. 張建全.浙江大學(xué) 2016
[3]基于M-Copula函數(shù)的投資組合和相關(guān)風(fēng)險(xiǎn)研究[D]. 申建平.重慶大學(xué) 2014
[4]水文頻率分析適線法參數(shù)估計(jì)研究[D]. 鮑振鑫.南京水利科學(xué)研究院 2010



本文編號(hào)：2925527