基于SAGA的优化算法在径流量预测中的研究与应用

发布时间：2020-06-16 08:57

【摘要】：径流量预测在现代水文领域有着非常重要的应用,尤其对水资源的有效管理及合理利用具有重大意义.在预测方面,国内外学者通过对多种神经网络和智能算法进行组合或者混合取得了良好的预测效果.本文通过对月均径流和日均径流数据进行模拟实验,研究智能算法优化神经网络模型及其组合优化模型(COM)在实际预测中的效果.文章采用了支持向量机(SVR)、小波神经网络(WNN)、极限学习机(ELM)和模拟退火遗传算法(SAGA),并建立SAGA优化的WNN模型及其SAGA优化ELM、SVR、WNN的组合模型,将其分别应用于杂木河月均径流量和昌马堡水文站的日均径流量的预测研究中.首先,直接对杂木河月均径流数据进行相空间重构,用SVR、WNN、GASVR、GA-WNN模型进行预测.其次,针对月径流呈现季节性的特点,先对其进行季节指数调整(SEA),然后对调整后的趋势循环序列分别建立WNN、SVR、GAWNN、SAGA-WNN模型,对不规则序列建立ELM模型,实证结果表明,SEASAGAWNN-ELM模型对月均径流预测有较高的精度.再次,考虑到降水气温等因素对径流量的影响,建立以降水气温为变量的径流量预测模型,分别用WNN、GA-WNN和SAGA-WNN进行预测,得到SAGA-WNN与未优化的模型相比,仍具有较好的预测精度.最后,本文对三种不同思路下的预测结果进行比较讨论,得到在做预测时对数据做一定的分析和处理是必要的,混合模型优于单一的模型,提出的SAGA-WNN模型预测精度高于其它未优化的模型.另外,本文建立基于SAGA优化ELM、WNN、SVR的组合优化模型(COM),并将其用于昌马堡水文站的日均径流预测研究中,仿真结果表明该模型在预测精度上优于单一的预测模型.总之,经过智能算法优化的小波神经网络模型优于未优化的模型,组合优化模型优于单一的预测模型,且优化性能越好,预测精度越高.
【学位授予单位】：兰州大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：P338
【图文】：

结构图,人工神经元,结构图

2.1 神经元模型神经网络是由简单单元组成的广泛并行连接的网络, 它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应. 而人的大脑由约100亿个神经元构成, 且每个神经元与其它神经元相连接形成灵活多变和错综复杂的神经网络,并对信息进行分析和控制. 人工神经网络具有自组织、自适应、自学习、非线性、非平稳和其它的一些特征, 使它成为解决复杂问题的一个强大工具, 近年来得到了广泛的应用和研究.图 2-1 为人工神经元模型及其训练过程图. 从图中可以看出, 每个神经元是一个节点, 网络由输入层、隐含层、输出层构成, 两层之间通过权重系数相连接,隐含层可以是一层, 也可以是多层, 一个神经元可以有多个输入, 一个输出. 神经网络开始学习时, 信息通过输入层传到隐含层, 经过一系列过程的处理, 最后到达输出层, 信号向前传播时, 如果达到了预期的输出, 则学习过程终止, 否则,信号就反向传播. 反向传播是误差信号反向计算的过程, 为了减小误差, 权值调整过程采用梯度下降的方法, 训练过程如图 2-1 所示.

流程图,小波神经网络,流程图,节点数

兰州大学硕士学位论文基于 SAGA的优化算法在径流量预测中的研究与应用层节点数, n 代表隐含层节点数, l 代表输出层节点数, 则其结构编码长度为m n n n n l, 用 GA 进行迭代, 当满足一定条件时停止运算, 获得最优个体,并把此个体作为 WNN 的最优权值和伸缩平移尺度值进行 WNN 训练.遗传算法优化小波神经网络算法流程如图 3-2 所示.

【相似文献】