人工神经网络在径流影响因子滞后性研究中的应用

doi:10.3778/j.issn.1002-8331.2009.30.072

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (30): 242-244.DOI: 10.3778/j.issn.1002-8331.2009.30.072

人工神经网络在径流影响因子滞后性研究中的应用

冉笃奎^1，2，李敏³，武晟^1，4，解建仓¹

1.西安理工大学西北水资源与环境生态教育部重点实验室，西安 710048
2.汉江水电开发有限责任公司，湖北丹江口 442700
3.西北勘测设计研究院，西安 710065
4.西北电力设计研究院，西安 710075

收稿日期:2008-06-12 修回日期:2008-08-01 出版日期:2009-10-21 发布日期:2009-10-21
通讯作者: 冉笃奎

Application of ANN in study of hysteretic nature of factors influencing inflow runoff

RAN Du-kui^1，2，LI Min³，WU Sheng^1，4，XIE Jian-cang¹

1.Key Lab of Northwest Water Resources and Environment Ecology of MOE，Xi’an University of Technology，Xi’an 710048，China
2.Hanjiang Hydropower Development Co.，Ltd，Danjiangkou，Hubei 442700，China
3.Northwest Investigation and Design Institute，Xi’an 710065，China
4.Northwest Electric Power Design Institute，Xi’an 710075，China

Received:2008-06-12 Revised:2008-08-01 Online:2009-10-21 Published:2009-10-21
Contact: RAN Du-kui

摘要/Abstract

摘要： 根据径流量的影响因素往往具有滞后性的特点，在构建神经网络时，从模型复杂度、训练精度、预测精度等方面综合分析了该特性的影响大小，获得了分析滞后性影响的方法。实例表明该方法能够准确判断出滞后时段的大小，为提高径流预报的准确性提供了一条有效的途径。

关键词: 人工神经网络, 入库径流, 滞后性

Abstract: The hysteretic nature of runoff’s influencing factors’ is considered，the influencing degree of the hysteretic nature is tested from aspects of complexity，training precision，prediction accuracy of model during structuring ANN model，then the method of analyzing hysteretic nature’s influence is advanced.The result of example study demonstrates that the lag effect time can been accurately predicted by the way，an effective way is given to improve the accuracy of runoff forecast.

Key words: Artificial Neural Network（ANN）, inflow runoff, hysteretic nature

中图分类号:

TP18

P341

冉笃奎^1，2，李敏³，武晟^1，4，解建仓¹. 人工神经网络在径流影响因子滞后性研究中的应用[J]. 计算机工程与应用, 2009, 45(30): 242-244.

RAN Du-kui^1，2，LI Min³，WU Sheng^1，4，XIE Jian-cang¹. Application of ANN in study of hysteretic nature of factors influencing inflow runoff[J]. Computer Engineering and Applications, 2009, 45(30): 242-244.

[1]	姚远，张朝阳. 基于HP-LSTM模型的股指价格预测方法[J]. 计算机工程与应用, 2021, 57(24): 296-304.
[2]	薛文龙，于炯，郭志琦，李梓杨. 基于特征融合卷积神经网络的端到端加密流量分类[J]. 计算机工程与应用, 2021, 57(18): 114-121.
[3]	张驰，郭媛，黎明. 人工神经网络模型发展及应用综述[J]. 计算机工程与应用, 2021, 57(11): 57-69.
[4]	李杰其，胡良兵. 基于机器学习的设备预测性维护方法综述[J]. 计算机工程与应用, 2020, 56(21): 11-19.
[5]	张文婧，陈治亚，冯芬玲，李万. 基于稀疏理论的DAE在公路事故伤亡预测应用[J]. 计算机工程与应用, 2019, 55(7): 241-247.
[6]	王海燕1，2，袁雪琴1，宋超1，张正勇1，2，刘军1，2，沙敏1，2. 相似度分析结合人工神经网络鉴别苹果香精[J]. 计算机工程与应用, 2018, 54(4): 141-147.
[7]	宋倩，郭宇，王发麟. 基于人工神经网络的线缆敷设质量综合评判[J]. 计算机工程与应用, 2018, 54(14): 256-263.
[8]	颜丹，蒋加伏. 基于栈式去噪自动编码器的边际Fisher分析算法[J]. 计算机工程与应用, 2017, 53(5): 134-139.
[9]	柏丛1，2，彭仲仁1，3. 基于动态模型的公交车行程时间预测[J]. 计算机工程与应用, 2016, 52(3): 103-107.
[10]	张明光，张钰. 基于ANN伪量测建模的配电网状态估计[J]. 计算机工程与应用, 2016, 52(17): 253-256.
[11]	彭丽蓉1，周磊2. 认知行为计算模型结合DM的教学质量提升[J]. 计算机工程与应用, 2014, 50(9): 237-241.
[12]	潘伟洲，陈振洲，李兴民. 基于人工神经网络的百度地图坐标解密方法[J]. 计算机工程与应用, 2014, 50(17): 110-113.
[13]	杨慧1，许福栗2. 基于权重转移的加权滑动平均模型改进[J]. 计算机工程与应用, 2014, 50(14): 156-159.
[14]	冯莹莹，于干，周红志. 层次分析法和神经网络相融合的教学质量评价[J]. 计算机工程与应用, 2013, 49(17): 235-238.
[15]	江晓明，朱娜，董亮，李杰. 改进的神经网络EPON动态带宽分配方法[J]. 计算机工程与应用, 2012, 48(36): 112-115.

人工神经网络在径流影响因子滞后性研究中的应用

Application of ANN in study of hysteretic nature of factors influencing inflow runoff

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics