基于小波变换的lssvm月径流预报研究

《基于小波变换的lssvm月径流预报研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士研究生学位论文新疆大学论文题目(中文)：基于小波变换的LSSVM月径流预报研究论文题目(外文)：MonthlyRunoffForecastingResearchBasedonWaveletTransformandLSSVM研究生姓名：吴琼学科、专业：控制科学与工程研究方向：检测技术与自动化装置导师姓名职称：陈志军教授论文答辩日期2015年5月23日学位授予日期年月日新疆大学硕士研究生学位论文摘要水资源是人类赖以生存的物质保证,径流量的大小与水资源的开发利用具有十分紧密的联系，径流量的预测结果对制定该地区防洪、抗旱、水库的优化调度等策略具有十分重要的指导意义。但由于

2、其受到各种因素错综复杂的影响，对径流预测的研究已成为国内外学者研究的热点和难点。本文以玛纳斯河红山嘴站55a实测径流数据为研究对象，首先采用统计学理论对径流量的年际和年内变化进行分析，可以发现该流域径流量的年际变化比较稳定，但年内分配很不均衡，在时空上集中程度高，使得夏季山区容易爆发洪水，其他季节和平原地区出现干旱缺水等现象，因此本文对月径流实测资料进行预测研究。采用最小二乘支持向量机（LSSVM）模型对月径流时间序列进行预测，针对惩罚因子C和核函数参数严重影响模型预测性能的问题，利用果蝇算法（FOA）优化该参数，并通过与粒子群算法优化该参数的径流预测模型相对比，仿

3、真结果表明果蝇算法有一定的优越性。对于果蝇算法寻优过程搜索步长始终不变的问题，提出了变步长的果蝇搜索算法（VSFOA），该方法提高了寻优的速度，具有较好的预测效果。各种不同因素的综合作用使得径流时间序列具有较高的非平稳特性，小波分析方法是一种很好的时频分析技术，可以将非平稳的径流时间序列分解成相对较平稳的系数序列进行预测，以消弱各频率分量之间的相互影响，并充分探究出原始径流数据内部所蕴含的信息。因此，将小波变换（WT）与LSSVM模型相耦合，构成WT-VSFOA-LSSVM模型进行月径流预测，仿真结果表明耦合的模型月径流预测绝对误差相对平缓，预测精度有明显的提高，能够

4、达到水文预报的甲级标准，可用于作业预报，能够为水库的安全运行、科学管理及合理分配提供较可靠的数据支持。关键词：径流预测，最小二乘支持向量机，参数优化，果蝇算法，小波变换I新疆大学硕士研究生学位论文AbstractWateristhematerialensurehumansurvival,thesizeofrunoffhasveryclosetiestodevelopmentandutilizationofwater,theresultsofRunoffpredictionshasimportantguidingsignificanceforthedevelopment

5、oftheregion’sdrought,flood,reservoiroptimizationschedulingstrategyresearch.Today's,thewaterresourcesincreasinglyscarcemakeusmoreandmoreunderstandthattheproblemofwaterisveryseroious,However,becauseofitscomplicatedbyvariousfactorsinfluenced,researchonrunoffforecastinghasbecomeahotanddiffi

6、cultresearchscholars.Inthispaper,weuseManasRiverHongshanzuihydrologicalstationmeasuredrunoffdata55atomakethestudy.Firstofall,weusedthestatisticalknowledgetoanalysisrunoffinterannualvariabilityandchangesintheinnerdiameterandfoundthattheManasRiverrunoffinterannualvariabilityrelativelystab

7、le.However,thedistributionwasunevenduringtheyearandhighdegreeofconcentrationintimeandspace,makingthemountainbreakingfloodsfrequentlyinsummer,inotherseasonsandplainsdroughtphenomenaoccureasily,soweusemonthlyrunoffdatatopredicttherunoff.UsingRBFkernelfunction’sLSSVMmodeltopredict