论文部分内容阅读
本文主要开展了混沌理论在径流预报中的应用研究.主要研究内容由水文时间序列的混沌特性分析、水文时间序列的混沌预测模型和基于混沌优化算法的模糊优选神经网络预测模型三部分组成,具体研究内容和研究成果概括如下: 第一部分主要对水文时间序列的混沌特性进行了分析和研究。首先对混沌识别和混沌分析的基础—相空间重构理论和方法进行了研究,重点讨论了关联积分法,并将其用于确定水文系统的相空间重构参数。该方法联合考虑了嵌入滞时和嵌入维数,可同时计算出嵌入滞时和嵌入窗宽,避免了以往确定嵌入窗宽的主观性。而后在相空间重构基础上,应用多种分析方法,包括相图法、功率谱分析法、饱和关联维数法、Lyapunov指数法,对宜昌和寸滩水文站多种径流时间序列的混沌特性进行了研究,并从中提取了系统的混沌特征值。研究结果表明,上述径流时间序列均不同程度地表现出混沌特征,存在着低维的奇异吸引子。 第二部分基于水文序列变化的混沌特性,对水文时间序列的混沌预测模型进行了研究。第一,本文在文献[37]提出的动态局域预测模型(NSCGDF)基础上,进一步采用邻近点权重来定量描述不同邻近点对预测的影响程度,提出了一种新的预测模型—加权动态局域预测模型(NNWGDF),该模型综合考虑了邻近点权重和广义自由度,给出了确定最优邻域的判定指标,从而使模型每一步预测时都可以确定出一个合理的邻域。第二,本文在文献[51]提出的正则化正交最小二乘学习算法(ROLS)基础上,引入交叉迭代模糊聚类算法(CIFCA),提出了一种径向基函数神经网络混沌预测模型(CIFCA-ROLS),该模型集中了CIFCA和ROLS的优势,优选出的径向基函数中心数目和位置合理,因此可有效减小网络规模,提高网络推广能力。第三,本文对混沌水文时间序列的区间预测进行了首次研究,提出了一种区间预测模型,该模型突破了混沌水文时间序列研究领域中传统的点预测思想,转变为从区间预测的角度出发,预测某一时刻水文要素值在不同区间风险度下的取值区间,从而可为水资源系统的决策或规划提供更多的信息支持。上述三种预测模型区均采用宜昌和寸滩水文站的径流序列作为实例进行计算分析,计算结果验证了上述模型的有效性。 第三部分对基于混沌优化算法的模糊优选神经网络预测模型进行研究。模糊优选神经网络的参数优化问题,多以梯度下降算法来计算网络的连接权重,存在收敛速度慢和局部极小的问题。由于混沌具有其独特性质,如内随机性、遍历性和规律性,特别是混沌的遍历性特点可作为搜索过程中避免陷入局部极小的一种优化机制。因此本章应用混沌优化算法,来探讨模糊优选神经网络的参数优化计算问题,并以新疆伊犁河雅马渡站混沌理论在径流预报中的应用研究和大连市碧流河水库的年径流量预测为例,对模糊优选神经网络混沌优化算法的有效性进行计算分析。最后将该算法与标准遗传算法和权重调整BP算法进行了对比研究。计算结果表明:混沌优化算法具有较高的预报精度和搜索效率,而且算法简单直观,编程方便,作为模糊优选神经网络的学习算法是可行而有效的。