随着信息技术的不断发展,人工智能已经应用到各个领域,包括:模式识别、游戏智能、机器人技术等。人工智能作为一个朝阳行业已越来越多的受到人们的关注。甚至有人认为人工智能技术将成为二十一世纪计算机行业中最重要的发展方向之一。神经网络作为人工智能领域中的重要分支,因其对非线性情况的良好逼近能力,应用领域深入到很多工程应用领域中。但是由于其训练时间过长、易进入局部最优值、训练初始参数等不足而造成模型性能不佳。遗传算法是根据达尔文进化论中适者生存的观点,将实际需要解决的问题,利用计算机模拟生物界中的进化过程,最终寻找出最优解。遗传算法的全局寻优功能特别适合弥补神经网络中易陷入局部最优值的情况。神经网络中的结构和初始参数可以通过遗传算法来进行优化。小波变换作为一种现在越来越常用的数学工具,因其多分辨率特性,拥有“数学显微镜”的美称。它拥有Fourier变换所不具备的时域分析能力,特别适用于对时间序列的处理。适用小波变换对时间序列进行预处理,有助于提高神经网络的训练精度,减少训练时间。本文将神经网络、遗传算法和小波变换进行融合应用。利用神经网络对非线性逼近能力,遗传算法良好的全局寻优能力以及小波变换对时频的处理能力,建立小波变换和遗传算法优化神经网络模型( Wavelet denosing-Genetic-Artificial Neural Network, WGANN)对时间序列数据进行预测。取得了如下成果:1.使用遗传算法同时优化神经网络的初始结构和参数。考虑目前使用遗传算法优化神经网络的限制与不足,并且结合相应数据集,提出遗传算法双阶段优化策略(Dual-Phase Optimization, DPO)来同时优化神经网络促使结构和参数。2.建立WGANN模型;将其应用于岷江上游的径流量预测,取得较好结果。将WGANN模型的预测结果与未经优化的神经网络预测结果进行比较。从短期(一年)、中期(三年)和中长期(五年)预测结果来看,WGANN模型精度均高于传统神经网络。其中,神经网络作为整个模型的主要架构;利用本文提出的DPO,首先确定网络结构,其次再对参数进行优化;小波变换实现对数据集的预处理。最后,通过WGANN模型对岷江上游径流量数据进行短、中、长期的预测分析,并将预测分析的结果与传统神经网络模型得到的结果进行比较。比较结果显示,WGANN模型在预测的精度上都远远高出传统神经网络模型。该模型的建立,为时间序列预测分析提供了一条新的思路。