資源描述：
《模型參數(shù)率定.doc》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。
1、模型參數(shù)率定：即參數(shù)調(diào)試、參數(shù)估計(jì)或參數(shù)優(yōu)化，使模型的模擬輸出值與實(shí)際觀測(cè)值誤差最小。水文模型參數(shù)分為兩類：一類具有明確的物理含義，可以根據(jù)實(shí)際情況進(jìn)行確定；另一類是沒有或者物理含義不明確的參數(shù)，這些參數(shù)需要根據(jù)以往觀測(cè)數(shù)據(jù)進(jìn)行率定。集總式模型時(shí)代：最小二乘法(Least-SquareMethod，簡(jiǎn)稱LSM)率定方法分類：遺傳算法(GeneticAlgorithm)、SCE-UA算法(ShuffledComplexEvolution)、貝斯方法(BayesianMethod)、RSA方法(RegionalizedSensitivityAnalysis)、GLUE方法(GeneralizedL
2、ikelihoodUncertaintyEstimation)其中，RSA和GLUE方法還是一種比較實(shí)用的參數(shù)敏感性分析方法。另：擾動(dòng)分析法啟發(fā)式算法（80年代）：遺傳算法(GeneticAlgorithm,簡(jiǎn)稱GA)、模擬退火算法(SimulatedAnnealing,簡(jiǎn)稱SA)、人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork,簡(jiǎn)稱ANN)遺傳算法優(yōu)點(diǎn)：直接隨機(jī)尋優(yōu)、內(nèi)在并行性和全局尋優(yōu)能力、概率化尋優(yōu)（自動(dòng)獲取尋優(yōu)空間）問題：高度復(fù)雜的非線性問題及多參數(shù)優(yōu)化問題（多目標(biāo)優(yōu)化）SCE-UA（綜合了遺傳算法、Nelder算法與最速下降算法）SCE-UA算法的提出基于以下4種概念:
3、①確定性和概率論方法結(jié)合;②在全局優(yōu)化及改善方向上,覆蓋參數(shù)空間的復(fù)合形點(diǎn)的系統(tǒng)演化;③競(jìng)爭(zhēng)演化;④混合復(fù)合形(complexshuffling)特點(diǎn)：①在多個(gè)吸引域內(nèi)獲得全局收斂點(diǎn)；②能夠避免陷入局部最小點(diǎn)；③能有效地表達(dá)不同參數(shù)的敏感性與參數(shù)間的相關(guān)性；④能夠處理具有不連續(xù)響應(yīng)表面的目標(biāo)函數(shù),即不要求目標(biāo)函數(shù)與導(dǎo)數(shù)的清晰表達(dá)；⑤能夠處理高維參數(shù)問題應(yīng)用于SWAT，TOPMODEL貝葉斯方法（總體信息，樣本信息，先驗(yàn)信息）特點(diǎn)：1、獲得后驗(yàn)分布后,即使丟失了總體信息和樣本信息,也不影響對(duì)未知參數(shù)的統(tǒng)計(jì)推斷。（第一次估計(jì)的后驗(yàn)分布當(dāng)作第二次估計(jì)的先驗(yàn)分布,再運(yùn)用貝葉斯方法得到第二次的后驗(yàn)分布連
4、續(xù)應(yīng)用貝葉斯方法,可以不斷增加估計(jì)參數(shù)的信息,從而對(duì)參數(shù)有更深入的認(rèn)識(shí)）2、將觀測(cè)數(shù)據(jù)的不確定性和因估計(jì)與預(yù)測(cè)中的誤差而引起的不確定性有效結(jié)合起來
