论文部分内容阅读
水文预报具有很强的非线性特征,是一个非常复杂的系统,以往分布式水文概念模型和物理模型普遍受到关注,在实际应用中,以上两类模型要求数学知识较高,参数的率定比较困难,模型的实现难度较大。近年来随着人工智能在水资源规划及管理等方面的广泛应用,将神经网络用于径流预报的研究较多,由于神经网络自身的缺陷,单独使用效果不明显,相继出现了用遗传算法分别从不同角度对神经网络进行改进研究。本文在此基础上,提出两种修改神经网络的方法,即用遗传算法代替神经网络的传统Leverge-Marquardt算法(模型Ⅰ)和用遗传算法进化神经网络初始权重算法(模型Ⅱ)。本文首先论述了两种模型建模的关键点及实现步骤,其次分别将模型Ⅰ、模型Ⅱ和未改进的神经网络模型应用于洪水预报和枯季径流预报,在同一实例中检验对比各个模型的实际效果。实例研究表明:模型Ⅰ对洪水的高流量部分预报效果较好,模型Ⅱ对中低流量部分预报效果较好,对于峰时的预报三者却相差不多。在枯季径流预报中,模型Ⅰ对历史样本的拟合效果不如未改进的网络模型效果,但是预报效果却明显优于未改进的网络模型。模型Ⅱ和未改进的网络模型的预报趋势具有一致性,预报精度甚至不如未改进的网络模型。因此实际应用中先判别所要预报的种类,选出与之适合的模型,才能进行更为准确的预报。