資源描述：
《基于bp神經(jīng)網(wǎng)絡(luò)和svm的江口流域洪水預(yù)報(bào)研究 畢業(yè)論文》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、基于BP神經(jīng)網(wǎng)絡(luò)和SVM的江口流域洪水預(yù)報(bào)研究摘要：在MATLAB7.8軟件基礎(chǔ)上，利用江口流域1981年1月1日到1985年12月31日的降雨、蒸發(fā)、徑流數(shù)據(jù)，應(yīng)用BP模型和SVM模型進(jìn)行洪水預(yù)報(bào)模擬。結(jié)果顯示，這兩種模型在訓(xùn)練期的NASH系數(shù)都達(dá)到了0.9以上，且在預(yù)測(cè)期的NASH系數(shù)都達(dá)到了0.8以上。而且，SVM模型的訓(xùn)練期NASH系數(shù)達(dá)到了0.9770，BP模型達(dá)到了0.9588。SVM預(yù)測(cè)期的NASH系數(shù)達(dá)到了0.8865，BP模型為0.8197。結(jié)果分析表明SVM模型對(duì)洪峰的預(yù)報(bào)精度較BP模型好。從總體上看，這兩種模型對(duì)于該流域的洪水預(yù)報(bào)效果都是比較好，并
2、且就這兩種模型相對(duì)而言SVM模型的模擬的精度較高，其預(yù)報(bào)的效果較好。但是就不同流域而言這兩種模型的選擇還需進(jìn)行模擬對(duì)比才能確定。關(guān)鍵詞：洪水預(yù)報(bào)BP神經(jīng)網(wǎng)絡(luò)SVMFloodforecastingfortheJiangkouriverbasinbasedonBPneuralnetworkandSVMAbstract:FloodforecastingsimulationforJiangkouriverbasinwasconductedbasedontheSVMandBP-ANNmodelonMATLAB7.8platform,usingtherainfall,evapora
3、tion,runoffdatafromJanuary1,1981toDecember31,1985.ResultsshowthattheNASHcoefficientsforboththetwomodelsinthetrainingperiodhavereachedmorethan0.9,andintheforecastperiod,theyhavereachedmorethan0.8.Moreover,SVMmodel’sNASHcoefficientoftraininghasreached0.9770andBP-ANNmodelis0.9588.SVMmodel’s
4、NASHcoefficientofforecastperiodhasreached0.8865andBP-ANNmodelis0.8197.TheresultssuggestthatthepeakforecastaccuracyforSVMmodelisbetterthanthatfortheBP-ANNmodel.Ingeneral,thesetwomodels’effectoffloodforecastingforthebasinisrelativelygoodandtheSVMmodel’simulationprecisionishigherandtheforec
5、asteffectisbetterthanBPmodel.Butfortheotherdifferentbasins,itneedsfurthersimulationandcomparisontomakesurewhichmodelisbetter.Keywords:floodforecastingBPneuralnetworkSVM131前言我國(guó)的防洪實(shí)踐證明，工程措施與非工程措施的結(jié)合應(yīng)用是建立和完善江河防洪系統(tǒng)的有效措施。工程措施包括：建筑堤防、防洪墻、分洪工程、河道整治工程、水庫(kù)等。工程措施在我國(guó)已經(jīng)經(jīng)歷相當(dāng)長(zhǎng)的一段時(shí)間了，也已經(jīng)積累了相當(dāng)豐富的經(jīng)驗(yàn)了。非工程措
6、施通常包括：加強(qiáng)防洪設(shè)施管理，保證防洪設(shè)施的防洪能力；在工程設(shè)施中充分考慮適應(yīng)洪水短暫淹沒(méi)的措施，以盡可能減少洪災(zāi)損失；建立健全通訊系統(tǒng)和預(yù)警系統(tǒng)；改進(jìn)和發(fā)展洪水預(yù)報(bào)技術(shù)，提高防洪調(diào)度水平等。其中改進(jìn)洪水預(yù)報(bào)方法、提高預(yù)報(bào)精度、實(shí)施洪水預(yù)報(bào)調(diào)度是非工程措施中最行之有效的辦法[1][2]。洪水預(yù)報(bào)是根據(jù)現(xiàn)時(shí)已經(jīng)掌握的水文、氣象資料，預(yù)報(bào)河流某一斷面在未來(lái)一定時(shí)間內(nèi)(稱預(yù)見(jiàn)期)將要出現(xiàn)的流量、水位過(guò)程。研究水文預(yù)報(bào)方法開(kāi)發(fā)水庫(kù)實(shí)時(shí)洪水預(yù)報(bào)防洪調(diào)度決策支持系統(tǒng)，實(shí)現(xiàn)雨情水情資料的采集、傳輸、預(yù)處理、預(yù)報(bào)、調(diào)度的自動(dòng)化，即聯(lián)機(jī)實(shí)時(shí)洪水預(yù)報(bào)調(diào)度系統(tǒng)，是當(dāng)前水情自動(dòng)測(cè)報(bào)系統(tǒng)的發(fā)展方
7、向[3][4][5]。誤差反向傳播神經(jīng)網(wǎng)絡(luò)（BackPropagationANN-ArtificialNeuralNetwork，稱BP神經(jīng)網(wǎng)絡(luò)）[6]已經(jīng)在生活中的各個(gè)領(lǐng)域有了充分的發(fā)展應(yīng)用，尤其在洪水預(yù)報(bào)中的應(yīng)用更加的成熟，人們已經(jīng)通過(guò)不斷地實(shí)驗(yàn)找到了許多更適合的方法對(duì)某流域進(jìn)行洪水預(yù)報(bào)[7][8]。其甚至能夠應(yīng)用非線性的流域數(shù)據(jù)較精確地對(duì)某流域的進(jìn)行洪水預(yù)報(bào)。故將其應(yīng)用到該流域?qū)?duì)雙牌水庫(kù)的防洪工作帶來(lái)很大的幫助。支持向量機(jī)(SupportVectorMachines，簡(jiǎn)稱SVM)[9]在水文中的應(yīng)用也在不斷發(fā)展中，王景雷等[10]
