基于数据清洗方法的河道水位预测研究

发布时间：2017-11-01 20:07

  本文关键词：基于数据清洗方法的河道水位预测研究

  更多相关文章： 洪水预报 BP神经网络 PSO算法 异常值处理 精度

【摘要】：我国洪水灾害频繁,洪灾问题极为严峻,严重影响我国的经济发展,洪水预报作为一项非常重要的防洪非工程措施,对于防洪减灾有着重大的作用和意义。本文结合贵州省铜仁市“水文远程测控及综合信息管理系统开发”项目,采用河道洪水预报模型来预测某段河道水位的变化情况。由于外在因素的影响,天然河道水文数据在采集的过程中会产生误差,需要将这些误差数据剔除来提高河道水位预测的精度。BP神经网络由于具有很强的自适应、非线性映射以及容错能力等,所以在解决河道水位预测等问题上经常被用来作为一种重要的工具。但是BP神经网络也存在一些缺陷,比如收敛速度慢、容易陷入局部最小问题等,所以常用改进算法后的BP神经网络,本文研究通过对粒子群算法的分析,采用PSO算法来优化BP神经网络的权值和阈值,对影响粒子群算法的参数进行分析,确定了PSO优化BP神经网络的流程以及PSO-BP神经网络模型。对本文的样本数据来源做了说明,分析了样本数据中误差产生的原因,采用带误差的样本数据对于网络的学习和预测精度有很大的影响,通过分析数据清理方法,采用数据清理方法中的异常值检测并确定异常值剔除的流程,首先在测流软件上对样本数据进行初步确认,然后再定位样本数据中的异常值并剔除,对样本数据进行变换处理,最后构建了样本数据。根据研究区域水系关系的复杂程度以及对水文对象的分析,采用河段洪水预报中的水位预测,构建了BP神经网络预测模型和PSO-BP神经网络预测模型,通过历史样本数据学习和训练,得到两种模型的输出数据,依据《水文情报预报规范》(SL250-2000)来评定两种模型的预测精度,从工程应用的角度出发,得到PSO-BP神经网络模型的预测精度高于BP神经网络模型的预测精度。该结果可以为研究河段的水位变化提供一定的参考。
【关键词】：洪水预报 BP神经网络 PSO算法 异常值处理 精度
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TV877;TP183
【目录】：

• 摘要3-4
• Abstract4-10
• 第1章 绪论10-20
• 1.1 研究背景及意义10-11
• 1.2 研究区域概况11-14
• 1.2.1 自然地理概况11-12
• 1.2.2 水文气象概况12-13
• 1.2.3 洪涝灾情概况13-14
• 1.3 研究现状14-17
• 1.3.1 洪水预报的研究现状14-16
• 1.3.2 数据清洗方法的研究现状16-17
• 1.4 论文研究内容及结构安排17-20
• 1.4.1 论文研究内容17-18
• 1.4.2 文章结构安排18-20
• 第2章 水文模型概述20-24
• 2.1 水文模型对象分析20-21
• 2.2 流域拓扑关系21-23
• 2.2.1 流域拓扑关系中的对象21-22
• 2.2.2 对象的连接方式22-23
• 2.3 本章小结23-24
• 第3章 基于PSO优化的BP神经网络模型24-36
• 3.1 BP神经网络理论24-27
• 3.2 粒子群算法27-30
• 3.2.1 粒子群算法基本原理27-28
• 3.2.2 粒子群算法的参数分析28-30
• 3.3 PSO优化BP神经网络的分析30-35
• 3.3.1 BP神经网络存在的问题及改进30-31
• 3.3.2 PSO优化BP神经网络的分析31-32
• 3.3.3 PSO-BP神经网络算法设计32-35
• 3.4 本章小结35-36
• 第4章 数据清洗方法的研究36-48
• 4.1 数据来源及误差分析36-39
• 4.2 数据清洗方法的选择39-40
• 4.3 异常值的剔除方法40-41
• 4.4 样本数据异常值处理的流程41-46
• 4.4.1 测流软件处理数据误差41
• 4.4.2 异常值的处理方法41-43
• 4.4.3 样本数据的变换处理43-44
• 4.4.4 模型样本集的构建44
• 4.4.5 异常值剔除算例44-46
• 4.5 本章小结46-48
• 第5章 基于PSO-BP神经网络水位预测建模48-56
• 5.1 河段水位预测模型48-54
• 5.1.1 预报模型类型48
• 5.1.2 网络主要参数48-50
• 5.1.3 洪水预报精度评定50-52
• 5.1.4 仿真结果与分析52-54
• 5.2 本章小结54-56
• 第6章 总结与展望56-58
• 6.1 总结56
• 6.2 展望56-58
• 致谢58-60
• 参考文献60-66
• 附录A 攻读学位期间发表论文与参加课题66-68
• 附录B PSO优化BP神经网络主程序68-70
• 附录C 检验法临界值70-71

【参考文献】

中国期刊全文数据库 前10条

1 杜迎燕;夏达忠;张行南;唐雷彬;李威;;基于GIS的水文模型对象解析[J];东北水利水电;2006年09期

2 吴险峰,刘昌明;流域水文模型研究的若干进展[J];地理科学进展;2002年04期

3 沈晓东，王腊春，谢顺平;基于栅格数据的流域降雨径流模型[J];地理学报;1995年03期

4 孙佰清,潘启树,冯英浚,张长胜;提高BP网络训练速度的研究[J];哈尔滨工业大学学报;2001年04期

5 李致家,周轶,哈布·哈其;新安江模型参数全局优化研究[J];河海大学学报(自然科学版);2004年04期

6 覃华,苏一丹,李陶深;基于遗传神经网络的数据清洗方法[J];计算机工程与应用;2004年03期

7 张铃;张钹;;神经网络中BP算法的分析[J];模式识别与人工智能;1994年03期

8 刘国纬;论防洪减灾非工程措施的定义与分类[J];水科学进展;2003年01期

9 芮孝芳;流域水文模型研究中的若干问题[J];水科学进展;1997年01期

10 胡亚林,付成伟,马涛;国家防汛抗旱指挥系统工程[J];中国水利;2003年22期

中国硕士学位论文全文数据库 前1条

1 张会;贵州县域农业资源信息系统研究[D];贵州师范大学;2007年

，

本文编号：1128309