钱塘江涌潮以其独特的魅力而举世闻名,但在观赏钱塘江涌潮的同时,不能忽略其所带来的危害,每年钱塘江潮水都会给两岸群众带来人身财产损失。如果能提供准确的涌潮预报信息,那么必然能减小钱塘江涌潮带来的危害。文中提出了应用混沌理论于钱塘江涌潮预报的方法,内容主要包括涌潮到潮时差序列和潮位序列的混沌识别,并结合BP神经网络和支持向量机模型对其进行预报,主要工作如下:(1)钱塘江涌潮系统的混沌特性研究。首先分析了现有的潮汐预报理论,以及已应用于钱塘江的预报方法。然后讨论了混沌现象的成因,表明自然界中的原本存在的水文系统会伴随着大量的混沌行为,所以文中提出利用混沌理论优化钱塘江涌潮预报模型。能否成功应用取决于涌潮系统的动力特性,故重点分析了饱和关联维数法和最大Lyapunov指数法的使用,定性定量的分析了钱塘江涌潮系统的混沌特性。(2)基于混沌优化BP神经网络的潮时预报。由于每日涌潮的到潮时间符合阴历的变化规律,拟周期性较强,原本隐含的混沌特性不容易展现出来,所以建立关于涌潮的隔日到潮时差序列。对该序列混沌分析后,重构其相空间,将其每个相点作为BP神经网络的输入参数,利用BP神经网络学习其重构相空间后揭示出的演化规律。最终利用基于混沌优化的BP神经网络模型预报到潮时差序列对到潮时可能的误差预测,通过对钱塘江四个观测站的预报,结果显示四个站点的RMSE(根均方误差)值相对于传统方法平均减少了83.9%,比传统BP神经网络平均减少71.18%,表明该模型可靠且具有较高的预报精度。(3)基于混沌优化支持向量机的潮位预报。相比较于到潮时差序列,潮位序列的拟周期性较强,首先分析了单独使用支持向量机算法对潮位序列的追踪效果,虽然能跟踪原有潮位序列的走势但其精度却有待提升,故利用混沌理论优化支持向量机模型,最终其预报结果的RMSE值相较原始模型减小了60.28%,证明混沌理论对该模型的修正有效。