基于小波神经网络的河道流量预测研究与应用

《基于小波神经网络的河道流量预测研究与应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、河海大学硕士学位论文基于小波神经网络的河道流量预测研究与应用姓名：范青松申请学位级别：硕士专业：计算机应用技术指导教师：朱跃龙20080601捅要河道流量预报是一项可以减免损失的非常重要的防洪非工程措施，也是一项合理利用水能、水资源的非工程措施。正确及时的预报可以使工程合理调度，可以使决策者及时实旋防洪措施，从而将灾害损失限制到最低程度。由于河道流量时问序列含有多种成分，表现出非线性和非平稳性，传统的时间序列分析不足以承担起预测任务，这给有效的河道流量预测带来挑战。小波分析作为时频分析工具，可以将时间序列分解为多个相互独立的子序列。神经网络作为一种强大的非线性逼近工具，具有适应、自学习等优点

2、。小波网络模型是小波变换和神经网络的组合模型，既发挥了神经网络强大的非线性映射能力，又利用了小波的多分辨分析的功能，使得时间序列的潜在的时序特征更容易被提取。与传统的基于单一尺度的预测模型相比，是一种很有潜力的预测方法。河道流量预测就是对河道水流运动过程的预测，因此河道流量预测往往借助流域内相关站点的水文信息。本文对一种小波网络模型进行扩展，使其适应多道时间序列数据。扩展模型以多道时间序列信息作为输入，新输入不仅包括预测目标时间序列的当前小波系数，还包括与此时问序列相关的其它时间序列的当前小波系数。扩展模型利用了当前可获得的水文数据并提取出当前系统的时变特征，充分发挥神经网络强大的非线性逼近

3、能力。此模型是对小波网络模型和河道水情神经网络模型的继承与发展。本文探讨了小波系数作为神经网络输入的规范化方法，并建立了一种面向预测的小波函数选择指标。以王家坝水文站的汛期流量时间序列作为实验对象，验证了此模型比小波网络模型和河道水情神经网络模型具有优越性。关键词：小波分解，特征提取，神经网络，河道流量，时间序列预测Abstract硝Verflowpredictionisn圮证lponaIltnon-projectmeasl肛弓todecrease趾dpreveIltnlelosscausedbyflood，aSweHastoexploitthe、vaterpowerandwaterreso

4、urce．Theaccurateandtimelyp剃ictioncanmakep加jectamngedreasonably，alldmakedecision—makcrinlplememflood-preventmea如res，inordertocOns姐intlledisasterlosstominimal．BecauseriVernowtimes耐escontainmultiplefactorsandshownons洲on耐tyandnonlineari饥thetraditionaltimeseriesanalysis∞瞳mottaketllepredictiontask-Sothos

5、ercasons“ngriVernowpredictionchallenges．waveletaIlalysis，whjchisat岫e—fhqucncyaIlalysistool，calldividctimes刮esiIl_幻severalrlon-interdependentsub—seIies．NeuIal11etworkshaVetllecapacityofpo、verfmapproxiIllation淅tlItlleselfad删veandself-leamingmerits．waveletNe咖rkModelismecombinationofwaVelet仃ansform觚dIl

6、eumlnetworks，whichmakcuseoftheappmximationabilityofneumInetworks，andimposethemulti—resolutionanalysis矗mctionofwavelet们nsfIonnmatmakctheunderlyingtempomlfeaturcsoftimeseriesmoret阴ctable．Compared、Ⅳjm钮_aditionalsin91e陀solutionbasedprcdictionmodel，waveletne似orkisapromisingapproach．IUverfiowpRdictionist

7、hep咒dictionabouttheriverflowInotionprocess，soriVernowpredictionofteninlplemem、vimmehelpofrelationalhydrolo西cali芏lfbnnationinone出ainagearea，ThispapereXteI记sakindofwavektne觚orkinOrdcrtoaccommodatemultipIetime