本文選題：城市運河 + 人工神經(jīng)網(wǎng)絡(luò)��； 參考：《天津大學(xué)學(xué)報(自然科學(xué)與工程技術(shù)版)》2017年03期

【摘要】：以杭州市上塘河運河為例,分別建立自回歸、靜態(tài)時延神經(jīng)網(wǎng)絡(luò)及動態(tài)反饋神經(jīng)網(wǎng)絡(luò)模型預(yù)報受閘門及泵站影響的城市河道未來1~3,h的水位變化,并對模型預(yù)報誤差、不同水位區(qū)間下的誤差-頻數(shù)關(guān)系及訓(xùn)練數(shù)據(jù)的不確定性進行分析.研究結(jié)果表明:在預(yù)見期1~3,h內(nèi),時延神經(jīng)網(wǎng)絡(luò)預(yù)報效率系數(shù)均達到0.9以上,比自回歸模型分別提高1.34%,、5.57%,和6.86%,,比動態(tài)反饋網(wǎng)絡(luò)分別提高0.21%,、1.97%,和1.98%,;動態(tài)網(wǎng)絡(luò)模型在人為調(diào)控的影響下仍能通過訓(xùn)練模擬出降雨徑流關(guān)系,對數(shù)據(jù)具有更好的自學(xué)習(xí)與調(diào)適能力;時延神經(jīng)網(wǎng)絡(luò)模型隨數(shù)據(jù)減少預(yù)測精度也減少,在僅保留1個洪水場次下效率系數(shù)最大降低8.05%,,而動態(tài)反饋網(wǎng)絡(luò)效率系數(shù)隨訓(xùn)練數(shù)據(jù)量變化基本在0.11%,內(nèi)波動,因此在數(shù)據(jù)量較少的情況下宜建構(gòu)動態(tài)模型.
[Abstract]:Taking the Shangtang River Canal in Hangzhou as an example, the autoregressive, static time-delay neural network and dynamic feedback neural network are established to predict the water level change of the urban river affected by the sluice gate and pumping station in the future, and the prediction error of the model is given. The error-frequency relation and the uncertainty of training data are analyzed in different water levels. The results show that the prediction efficiency coefficients of the delayed neural networks are more than 0.9 in the predicted period of 1 ~ 3 h. Compared with the autoregressive model, the dynamic network model increases 5.57 and 6.86, 0.21 and 1.97, and 1.98, respectively, compared with the dynamic feedback network, and the dynamic network model can still simulate the rainfall runoff relationship through training under the influence of artificial regulation and control, and has better self-learning and adjusting ability to the data. The prediction accuracy of time-delay neural network model decreases with the decrease of data, and the efficiency coefficient decreases by 8.05 when only one flood event is retained, while the dynamic feedback network efficiency coefficient changes basically at 0.11 with the training data, and fluctuates internally. Therefore, the dynamic model should be constructed in the case of less data.
【作者單位】： 浙江大學(xué)建筑工程學(xué)院;杭州市河道管理總站;
【基金】：浙江省水利科技計劃資助項目(H20151104) 教育部博士點新教師資助項目(J20131413)~~
【分類號】：U612.23

【相似文獻】

相關(guān)期刊論文 前10條

1 胡煒;董增川;;統(tǒng)計相關(guān)分析在太湖流域水位預(yù)報中的應(yīng)用[J];水利經(jīng)濟;2008年03期

2 黃文元;樊忠成;;灰色自記憶模型在黃河凌汛水位預(yù)報中的應(yīng)用[J];人民黃河;2013年02期

3 陳斯倫;對應(yīng)趨勢法在武江水位預(yù)報上的應(yīng)用[J];廣東水電科技;1995年02期

4 程海云,芮孝芳,季學(xué)武;線性擴散波方程解析解及其在水位預(yù)報中的應(yīng)用[J];水科學(xué)進展;1997年02期

5 鐘友良,葛松華,趙文煥;壩址來水流量和壩區(qū)水位預(yù)報[J];水文;1999年01期

6 黃國如,朱慶平,馬駿,芮孝芳;水位演算模型及其在水位預(yù)報中的應(yīng)用[J];水文;1999年02期

7 魏群,傅春;逐步回歸法在都昌水位預(yù)報中的應(yīng)用[J];南昌水專學(xué)報;2001年04期

8 劉忠義,姜嘉禮;用周期趨勢分析法進行年最高水位預(yù)報的探討[J];吉林水利;2002年02期

9 芮孝芳,姜廣斌,程海云;考慮回水頂托影響的水位預(yù)報研究[J];水科學(xué)進展;1998年02期

10 賁立坤,趙志進,寧少予;松花江下游相應(yīng)水位預(yù)報[J];黑龍江水專學(xué)報;2001年04期

相關(guān)會議論文 前5條

1 徐春陽;吳新勝;賈延安;董家山;丘文先;;駱馬湖洪水水位預(yù)報[A];中國氣象學(xué)會2006年年會“災(zāi)害性天氣系統(tǒng)的活動及其預(yù)報技術(shù)”分會場論文集[C];2006年

2 鞠俊;;感潮河段短周期水位預(yù)報平面二維模型的初步研究[A];第十五屆中國海洋（岸）工程學(xué)術(shù)討論會論文集(中)[C];2011年

3 王獻坤;程生平;左正金;郭東興;羅文金;;改進“BT”法在潛水系統(tǒng)水位預(yù)報中的應(yīng)用研究——以葉縣李村水源地為例[A];科技、工程與經(jīng)濟社會協(xié)調(diào)發(fā)展——河南省第四屆青年學(xué)術(shù)年會論文集（上冊）[C];2004年

4 陳鮑發(fā);雷玄肆;;利用面雨量和多元回歸方法制作景德鎮(zhèn)地區(qū)水位預(yù)報[A];中國氣象學(xué)會2007年年會生態(tài)氣象業(yè)務(wù)建設(shè)與農(nóng)業(yè)氣象災(zāi)害預(yù)警分會場論文集[C];2007年

5 程媛華;林荷娟;馮曦;;太湖水位預(yù)報模型在太湖流域的應(yīng)用[A];中國水文科技新發(fā)展——2012中國水文學(xué)術(shù)討論會論文集[C];2012年

，

本文編號：1835104