水文预报的时间序列神经网络模型

时间序列分析在水文预报中起重要作用 ,其关键是要建立一个合适的预报模型 .文章提出基于 BP算法的单输出和多输出水文预报时间序列神经网络模型 ,克服了以往多种基于随机分析预报模型的缺点 ,不仅能实现快速灵活的信息处理 ,而且具有很强的非线性映射和自学习、自适应能力 ,这为更精确描述复杂非线性水文过程提供了可能 .通过对历史数据的学习 ,模型可对水文径流量时间序列进行预报 ,两个实例分析表明模型的可行性和有效性     

人工神经网络及其在水文水资源系统中的应用

人工神经网络（ANN）是近几十年来发展起来的一种新的信息处理技术,并已应用到许多领域,但在水水资源领域仍处于初步应用阶段,本综述了ANN在水水资源中的应用现状,分析了其应用前景,指出了今后的研究发展方向。     

水文预报课程设计教学体会与问题探索

水文预报是水文与水资源工程专业的主干课程之一,在工程水文学中占有重要的地位。为了适应新形势下的教学要求,既要提高学生对水文预报知识的理论水平,又要加强学生的应用实践能力。文章从目前水文预报课程设计中不适应这种要求的现实问题出发,探讨了几个方面的改革设想,并实践于实际的课设教学过程中,诸如加强实践环节、命题多样化、强化过程、完善考核方法等。认为在设计期间,加强过程管理指导与完善考核制度、应用多元化的教学方式是充分调动学生积极性、保质保量完成设计任务的有效途径和手段,有利于提高学生的综合素质及实践能力,保证学生的就业。     

《水文预报》课程教学方法改革的探索与实践

针对《水文预报》偏重于实际应用、授课对象为高年级学生的特点,在教学过程中,立足于应用型人才和创新型人才的培养目标,探索并实践了教学方法改革。本文阐述了课堂教学过程中讲练结合、研讨式教学模式的具体的实施方案及存在的问题,为后续深化教学改革、提高教学质量积累了经验。     

寒区水文预报课程建设的实践和探索

针对所在区域的特色与相关方面人才培养的需要,充分分析现有水文预报课程教学与学习过程中存在的诸多问题,进行新办专业水文预报课程建设的实践和探索。结合区域特色、师资情况与课程本身的特点,提出课堂外应加强感性认识、精选教材、优化教学内容的方法;从课堂内的教与学的方法、课外作业、考试体系、兴趣小组建立等环节探讨了课程建设、教学改革的思路与方法,以激发学生学习的热情与兴趣,提高分析问题和解决问题的能力,培养合格的、有针对性水文预报人才。改革后的教学方法在教学实践中取得了良好的效果。     

《水文预报》精品课程教学建设实践与成效

《水文预报》是天津农学院水文水资源专业的核心专业课程,课程组以提高教学效果为目标,围绕教学内容建设、教学方法与手段改革、网络教学平台建设、教师队伍培养等方面进行精品课程建设实践,初步取得了一定成效。     

基于知识图谱的“水文预报”课程教学改革实践

知识图谱以图形化、结构化的方式呈现复杂的学科知识体系,帮助学生更好地理解和掌握知识,提高学习效率和质量。文章主要介绍了水文预报课程知识图谱建设,阐述了知识图谱在水文预报课程中的应用优势,包括构建完整的知识体系、提供个性化的学习支持等,探讨了知识图谱建设在水文预报课程教学实践改革中的成效。实践表明,水文预报课程知识图谱建设是提高课程教学质量的有效途径之一。     

神经网络在预测饱和砂土液化中的应用

1　Ｉｎｔｒｏｄｕｃｔｉｏｎ　Ｍｏｄｅｌｉｎｇｏｆｓｏｉｌｂｅｈａｖｉｏｕｒｐｌａｙｓａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎｄｅａｌｉｎｇｗｉｔｈｐｒｏｂｌｅｍｓｒｅｌａｔｅｄｔｏｓｏｉｌｍｅｃｈａｎｉｃｓａｎｄｆｏｕｎｄａｔｉｏｎｅｎｇｉｎｅｅｒｉｎｇ .Ｏｖｅｒｔｈｅｐａｓｔｆｏｕｒｄｅｃａｄｅｓ ,ｍａｎｙｒｅｓｅａｒｃｈｅｒｓｈａｖｅｄｅｖｏｔｅｄｅｎｏｒｍｏｕｓｅｆｆｏｒｔｓｔｏｆｏｒｅｃａｓｔｉｎｇｔｈｅｌｉｑｕｅｆａｃｔｉｏｎｏｆｓａｔｕｒａｔｅｄｓｏｉｌｕｎｄｅｒｖａｒｉｏｕｓａｓｓｕｍ…     

BP神经网络组合预测研究

在单一预测不能满足精度要求的情况下,组合预测通常是首选方法.传统的组合方法之外,用神经网络进行组合预测,效果更佳.文中以全国天然气消耗量为例,利用BP神经网络将非线性回归、指数平滑和灰色三种方法的预测结果作为输入,原始数据作为期望输出进行组合预测,得出令人满意的精度结果.又将之与传统的EW、MV方法组合的结果进行比较,各项误差均有大幅度降低.     

短期电力负荷时间序列预测的极限学习机方法

提出将一种进化的神经网络模型——极限学习机应用于短期电力负荷时间序列预测中,该方法具有模型参数设置少、训练速度快和良好的泛化能力等明显优点。通过实例分析表明该模型的预测精度要优于BP神经网络模型,同时也验证了该模型应用于短期负荷预测的有效性和可行性。     

一种使用混沌神经网络的电力负荷预测方法

本文对实际电力月负荷数据进行预处理,将其分为趋势序列和剩余序列两部分。计算剩余序列的最大Lyapunov指数、延迟时间等参数,发现其混沌特征。提出了一种使用混沌BP神经网络的电力月负荷预测方法。根据历史负荷序列预处理和Lyapunov指数估算,确定了网络的训练样本和网络参数,通过对实际电力负荷进行预测,结果显示该方法具有一定的可行性。     

上海市区电力负荷预报

1　 Ｉｎｔｒｏｄｕｃｔｉｏｎ　ＳｈａｎｇｈａｉｉｓｔｈｅｌａｒｇｅｓｔｉｎｄｕｓｔｒｉａｌｃｉｔｙｉｎＣｈｉｎａ ,ａｎｄｉｔｓｅｌｅｃｔｒｉｃｌｏａｄａｎｄｐｏｗｅｒｃｏｎｓｕｍｐｔｉｏｎｔａｋｅｕｐａｇｒｅａｔｐｅｒｃｅｎｔａｇｅｏｆｔｈｅｎａｔｉｏｎａｌｔｏｔａｌ.Ｎｅｖｅｒｔｈｅｌｅｓｓｔｈｅｓｉｔｕａ ｔｉｏｎｈａｓｂｅｅｎｃｈａｎｇｉｎｇｇｒｅａｔｌｙｅｖｅｒｓｉｎｃｅｔｈｅｒｅｆｏｒｍ .Ｏｎｏｎｅｈａｎｄ ,ｔｈｅｅｃｏｎｏｍｉｃｃｏｎｄｉｔｉｏｎｓａｎｄｔｈｅｌｉｖｉｎｇｓｔａｎｄａｒ…     

Improved grey-based approach for power demand forecasting

1 Introduction a Grey theory, originally developed by Deng [1], is a truly multidisciplinary and generic theory that deals with systems of deficient information. In the field of information research, light and deep colors respectively represent informatio…     

A comparison of conventional linear regression methods and neural networks for forecasting educational spending

This study presents an application of neural network methods for forecasting per pupil expenditures in public elementary and secondary schools in the United States. Using annual historical data from 1959 through 1990, forecasts were prepared for the period from 1991 through 1995. Forecasting models included the multivariate regression model developed by the National Center for Education Statistics for their annual Projections of Education Statistics Series, and three neural architectures: (1) recurrent backpropagation; (2) Generalized Regression; and (3) Group Method of Data Handling. Forecasts were compared for accuracy against actual values for educational spending for the period. Regarding prediction accuracy, neural network results ranged from comparable to superior with respect to the NCES model. Contrary to expectations, the most successful neural network procedure yielded its results with an even simpler linear form than the NCES model. The findings suggest the potential value of neural algorithms for strengthening econometric models as well as producing accurate forecasts. [JEL C45, C53, I21]     

基于小波神经网络和自回归模型耦合的河道洪水预测方法

在分析非线性河道洪水预报方法中常用BP神经网络不足的基础上,采用具有快速收敛和更有效非线性逼近能力特性的小波神经网络.为适应洪水演进的时变特性,将所建立的用于河道洪水预报的小波神经网络与自回归实时校正模型耦合,校正值为小波神经网络预报值与自回归模型预报误差之和.自回归实时校正模型的参数通过自适应衰减因子递推最小二乘动态更新以提高校正效果.将该方法应用于西江高要断面洪水预报,计算结果验证了其有效性.     

改进的BP神经网络方法在用电量预测中的应用

在借助BP神经网络模型的优异功能的基础上,对它的采用黑箱操作、收敛速度慢等不足之处进行了某些改进,并将该模型在广东汕头市某区用电量预测中进行了初步应用,取得了较好的效果,说明了对该模型的改进具有重要的实际意义.     

基于神经网络的电力负荷预测系统设计

应用RBF(Radial Basis Function, 径向基函数)人工神经网络进行电力系统短期负荷预测.考虑了天气、经济、节假日等因素对电网负荷的影响,将负荷按照每周各日分类,共七种模式,学习样本选取每周中的相同类型日.在预测前还对原始数据中的伪数据进行剔除,提高了预测的精确度.利用从湖南省双峰电力局收集到的负荷数据进行网络模型的训练,所得结果表明了RBF网络对于负荷预测是有效性的.