ν-支持向量机洪水预报模型研究

发布时间：2017-12-11 13:12

  本文关键词：ν-支持向量机洪水预报模型研究

  更多相关文章： 洪水预报 支持向量机 线性动态系统 BP人工神经网络

【摘要】：为了提高洪水过程的非线性拟合能力和预报精度,对支持向量机洪水预报模型进行了深入研究。针对鸭绿江流域临江站的实际情况,建立了临江站洪水过程ν-SVR预报模型,采用1998~2014年间的大水年份降水资料和洪水过程资料对ν-SVR预报模型进行了率定和验证,并与线性动态系统模型、BP人工神经网络模型和ε-SVR模型进行了比较。结果表明:ν-SVR洪水预报模型比线性动态系统模型和BP人工神经网络具有较高的精度。ν-SVR洪水预报模型具有较好的非线性拟合能力和泛化能力,能很好地控制支持向量个数、降低模型的复杂程度,同时能保持良好的预报精度。
【作者单位】： 河海大学水文水资源学院;松辽水利委员会水文局;
【基金】：国家自然科学基金项目(41371047)
【分类号】：P338
【正文快照】： 1引言由于洪水过程是高度非线性的动态过程,许多学者将人工神经网络方法用于洪水预报获得了良好的效果[1-3]。BP人工神经网络具有很好的非线性逼近能力,但还存在过学习、模型计算效率低、泛化能力差等固有的缺点,在训练样本洪水代表性不足的条件下,模型的外延能力有限[3]。支

【相似文献】

中国期刊全文数据库 前10条

1 章四龙;通用洪水预报模型库设计建设研究[J];水文;2004年06期

2 周轶;菅浩然;李致家;李志龙;;基于递推最小二乘改进算法的洪水预报模型研究[J];河海大学学报(自然科学版);2007年01期

3 张刚;解建仓;罗军刚;;洪水预报模型组件化及应用[J];水利学报;2011年12期

4 宋雅坪;指数分流非线性概念洪水预报模型研究[J];电网技术;1995年09期

5 覃光华,赵英林,李记泽,王建华;相应涨差河道洪水预报模型研究及应用[J];城市道桥与防洪;2001年01期

6 张晓宇,张洪明;以地下径流为主的洪水预报模型研究[J];昆明理工大学学报(理工版);2002年05期

7 胡兴林,畅俊杰,刘根生;考虑区间正负入流量的自适应洪水预报模型[J];水文;2003年03期

8 魏占起;利用涨落洪规律建立洪水预报模型[J];水文;1998年04期

9 赵军祥;尼洋河流域洪水预报模型研究[J];西藏科技;2004年11期

10 赵庆绪;马光文;黄炜斌;蒲小芳;舒卫民;;基于洪水地区组成的门限-人工神经网络洪水预报模型[J];水力发电;2012年08期

中国重要会议论文全文数据库 前3条

1 何慧;;广西西江洪水预报模型研究[A];推进气象科技创新加快气象事业发展——中国气象学会2004年年会论文集（下册）[C];2004年

2 刘晓伟;狄艳艳;许珂艳;李杨俊;彭定志;;渭河下游洪水预报模型研究及应用[A];中国水文科技新发展——2012中国水文学术讨论会论文集[C];2012年

3 黄娟;殷剑敏;申双和;;基于DEM对洪水预报模型的改进初探[A];中国气象学会2007年年会生态气象业务建设与农业气象灾害预警分会场论文集[C];2007年

中国硕士学位论文全文数据库 前2条

1 卢长娜;基于自适应遗传算法的BP网络洪水预报模型[D];河海大学;2005年

2 高燕;时间尺度对半干旱半湿润流域洪水预报模型的影响研究[D];太原理工大学;2008年

，

本文编号：1278571