基于长短时记忆（LSTM）神经网络的黄河中游洪水过程模拟及预报

发布时间：2021-06-10 14:45

　　洪水预报是防洪减灾的重要非工程措施,黄河中游地区水文情势近50 a发生显著变化,为提高变化环境下黄河中游半干旱半湿润地区洪水预报精度,本文以对时间序列数据具有良好模拟效果的深度学习神经网络（长短时记忆神经网络）为基础,建立不同预见期下的流域暴雨洪水模型,以探讨长短时记忆神经网络在黄河中游水文预报中的应用.模型建立采用汾河上游静乐控制站1 956—2014年98场暴雨洪水数据,其中以14个站点降雨及静乐站水文数据作为输入,不同预见期下的洪水过程作为输出,率定期为78场次,验证期为20场次.结果显示:在预见期为0～6 h时预报精度较高,预见期为6 h以上时预报效果相对较差;预报精度随神经元数量和训练次数的增加而呈上升趋势,预见期为0～6h时预报精度上升较为明显,而预见期6 h以上时预报精度上升较为均匀. 

【文章来源】：北京师范大学学报(自然科学版). 2020,56(03)北大核心CSCD

【文章页数】：7 页

【参考文献】：
期刊论文
[1]土地资源领域遥感技术的应用研究[J]. 王洪梅.  科学技术创新. 2019(27)
[2]基于LSTMP语音识别方法的研究与改进[J]. 孙由玉,孙宝山,卢阳.  现代信息科技. 2019(11)
[3]一种LSTM-BP多模型组合水文预报方法[J]. 冯钧,潘飞.  计算机与现代化. 2018(07)
[4]“3S”技术在植被调查中的应用分析[J]. 王雪芹.  环境与发展. 2018(04)
[5]变化环境下气象水文预报研究进展[J]. 雷晓辉,王浩,廖卫红,杨明祥,桂梓玲.  水利学报. 2018(01)
[6]基于深度学习的图像识别处理[J]. 林杰,李如意.  网络安全技术与应用. 2017(11)
[7]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[8]中长期水文预报方法研究综述[J]. 王富强,霍风霖.  人民黄河. 2010(03)

硕士论文
[1]基于LSTM的英文文本蕴含识别方法研究[D]. 刘阳.哈尔滨工业大学 2016



本文编号：3222572