一、门限人工神经网络模型及其在洪水预报中的应用（论文文献综述）
刘刚[1]（2021）在《秦巴山区中小河流洪水预警预报系统研究 ——以引汉济渭调水工程施工区为例》文中研究说明复杂的地形地质条件和特殊气候降雨特征,导致我国洪水灾害频发。特别是广大中小河流地区,受经济社会发展的影响和制约,观测资料缺乏、监测手段有限、下垫面复杂多变,洪水灾害造成的基础设施破坏、人员财产损失更为严重。围绕资料缺乏秦巴山区中小河流,开发合适的洪水预警预报系统,为进一步提高洪水风险管理水平、减轻或降低洪水影响损害具有重要意义。引汉济渭工程三河口水利枢纽及秦岭隧洞施工区所在区域的椒溪河、蒲河、汶水河及其支流,地处秦巴中高山区,暴雨洪水频发。研究开发洪水预警预报系统,在灾害性洪水出现前1～3小时以上,向工程建设、施工单位及相关防汛指挥机构提供洪水预警预报信息,为科学有序地实施防洪预案提供可靠依据。此外,根据洪水预警预报结果,及时组织施工期人员实施防洪措施,避免或者减轻洪水灾害造成重大人员伤亡和设施设备损失,保证各施工区的防洪安全的同时,并为三河口枢纽运行的科学调度管理奠定基础。本文以引汉济渭调水工程施工区为主要研究对象,根据历史水位、流量、降雨量监测数据,分析研究河流产汇流规律,合理确定施工区致灾洪水预警阈值;选定适合流域特性的洪水预警预报模型,引入数字高程（DEM）等技术研制引汉济渭工程洪水预报系统,对确保汛期引汉济渭工程安全施工具有重要的实用价值和现实意义。本文取得的主要研究成果如下:（1）分析了研究区的降雨洪水特性和产汇流特性规律。采用历史降雨和径流资料,分析研究区降雨、径流年际变化和年内分配特性,年径流量与流域面平均年降水量相关性关系较好（R2=0.87）。径流深预报图结果表明径流深（R）与计算平均雨量、前期影响雨量（P+Pa）相关性较好（R2=0.80）。推求得到的降雨中心在椒溪河、汶水河和全流域均匀降水三种情况的大河坝站1h单位线,可用于实时洪水预警预报作业。（2）建立了研究区洪水致灾洪水预警指标,确定了临界预警阈值。结合现场实际踏勘,筛选确定了越岭隧洞岭南施工区蒲河0#、1#、3#施工点和三河口水利枢纽坝址进行预警指标研究。综合汇流时间、站网分布、信息收集等因素,确定了关键预警河道断面和临界雨量或水位（流量）及相应的预警响应时间。结合建设进度和防汛要求,确定三河口水利枢纽坝址2016-2017年临界流量为2640 m3/s（P=10%）,2018年临界流量为5240 m3/s（P=1%）。（3）优选了洪水预报模型,确定了合适的模型参数。结合研究区研究区位置、地形、水文和资料完整等实际因素和模型应用效果,选择新安江、TOPMODEL、API三种水文模型编制模型方案。选用雨洪资料及流域蒸散发资料开展模型参数率定,通过大河坝水文站2010～2015年实测13场典型洪水过程模拟,进行了精度评定与误差分析。结果表明合格率和预报精度均满足需求,确定以新安江模型为基础、多模型集成形式开展预警预报。（4）构建了引汉济渭调水工程施工区实时洪水预报系统。根据实时水雨情和对未来一段时间内降雨量的预测,准确快速预报三河口枢纽坝址洪水过程、最大流量及出现时间,及蒲河沿岸秦岭输水隧洞相应支洞断面预警流量（雨量）,为工程管理和施工决策者提供了多层次、多方位准确的信息服务和多种支持手段。应用检验结果表明,构建的洪水预警模型提高了引汉济渭调水工程施工区防洪决策的科学化、现代化和信息化水平,增强了防洪调度分析、综合决策能力。
周唱[2]（2021）在《基于深度学习的水库洪水预报研究》文中指出长久以来,我国的洪水灾害一直是使人类生命财产安全受到严重威胁的最为频繁的自然灾害之一,为缓解此类问题带来的负面影响,我国修建了大量具有防洪功能的水库。水库洪水预报作为一项不可或缺的非工程措施,对防汛决策起着关键性的指导作用,构建适用、可靠的水库洪水预报模型已成为防洪度汛的迫切要求。影响水库洪水形成的因素众多、关系复杂,通常难以完全准确地对流域水文过程状态进行描述,这一难点成为制约传统水库洪水预报模型发展的掣肘。由于传统的水文预报方法已逐渐凸显出不够便捷、不够高效、不够准确等诸多弊端,因此,需要对水库洪水预报进行更加深入的研究与更加创新的实践,助力洪水预报在指导抗洪工作中发挥出更积极的作用。现阶段人工智能发展日新月异,将深度学习的概念引入到水库洪水预报中。基于深度学习的水库洪水预报模型是一种基于数据输入-输出关系的数据驱动模型,将水库前期入库流量及降雨量作为模型的水文驱动因子,水库当前入库流量作为对应的预测因子。在开展基于深度学习的水库洪水预报研究中,首先采用灰色关联分析方法,计算模型各水文驱动因子与预测因子的灰色关联度,据此对水文驱动因子进行初步筛选,并将筛选结果进行合理组合。其次,为避免数据中的噪声使模型发生过拟合的现象,采用Gamma Test方法对不同水文驱动因子组合进行噪声估计,选择噪声最小的驱动因子组合为模型的最终输入。针对Gamma Test中进行各近邻点的寻找和相应近邻值的求解时计算成本较大的问题,采用基于Python语言编写的KD树程序进行辅助计算。再次,利用PyTorch深度学习框架,分别构建基于LSTM的水库洪水预报模型、基于CNN的水库洪水预报模型及基于CNN-LSTM的水库洪水预报模型,并采用试错法对模型中的超参数进行优选。对于不同的模型,采用不同的优化器对网络参数的梯度进行优化,并适当引入正则化、批标准化等方法完善模型。最后,对LSTM模型、CNN模型及CNN-LSTM模型的水库洪水预报能力进行评估,包括模型精度评定与预测流量和实测流量的相关分析,根据以上结果对三种模型进行对比评价。本文以卧虎山水库为背景,经水文驱动因子筛选后,分别建立了基于LSTM、CNN和CNN-LSTM的水库洪水预报模型,利用深度神经网络强大的自适应学习能力和高度的非线性映射能力,提升了水库洪水预报模型的整体性能。结果显示,LSTM模型擅于对洪水过程的整体趋势进行描述,其纳什效率系数与确定性系数均高于CNN模型的计算结果,预测流量与实测流量也呈现出较为显着的强相关性。CNN模型对于洪峰流量的模拟表现更为突出,更能正确处理洪量变化幅度较快时的极端情况。CNN-LSTM模型兼具前面两种模型的优点,但其整体预测精度有待提高。三种模型均存在自身的局限性,同时样本数据较小也对模型效果产生负面影响。但相对于传统模型,基于深度学习的模型则更为高效便捷,且均能在水库入库洪水预报中表现出一定程度的适用性及可靠性,具备较强的应用潜能。
李宁宁[3]（2021）在《基于风险分摊的梯级水库汛期水位动态控制及决策研究》文中提出我国水能资源蕴藏量十分丰富,但季节间水资源分布差异显着。水库是一种挖掘水能资源潜力,有效缓解地区水资源分布不均衡的工程措施,可将流域的径流资源存蓄起来,以保障枯水期水资源供给。但是,水库汛期往往承担着艰巨的防洪任务,需要将运行水位控制在防洪限制水位以下,这与水库以水头、水量为基础的发电、供水等需求形成矛盾冲突。随着全球气候变暖,各流域气象水文条件发生显着改变,伴随着调度技术、风险分析能力及应急处置机制日趋完善,规划阶段设计的汛限水位已无法满足现阶段综合利用要求。在防洪风险可控的条件下,适当抬高汛期运行水位,对于提高水库综合利用效益、实现水能资源高效利用具有重要现实意义。本文以金沙江流域溪洛渡-向家坝梯级水库为研究对象,基于统计学、管理学、运筹学、控制论等理论,综合运用黑箱模型、大数据、智能算法、前景理论等方法,以梯级水库汛期运行水位动态控制为研究背景,围绕防洪和发电两个目标,构建了以径流分析及预报为基础,基于“空间风险分摊”的梯级水库联合运行水位动态控制域推求模型,进一步分析了梯级水库水位动态控制组合方案的防洪风险和发电效益,并通过多目标群决策模型进行方案优选,实现了预报-调度-风险效益分析-决策的系统性结合,旨在于风险可控的条件下提高梯级水库汛期发电效益,完善梯级水库汛期运行水位控制理论和方法,为水库平稳安全运行提供技术支撑。主要取得了如下成果:（1）基于径流划分和预报因子筛选的中长期径流预报模型。首先综合运用MK检验、RS检验等方法对溪洛渡历史入库径流序列进行了变化趋势分析;针对现有径流预报未能考虑到径流序列特征的不足,提出了一种基于径流序列特征聚类的径流划分方法,通过K-means聚类方法将历史径流划分为丰、平、枯三种典型类别,根据待预报径流特征,以相应类别的前期径流序列作为预报因子,通过MIC法筛选出相关性强的预报因子作为BP人工神经网络的输入,可以改善神经网络输入侧的条件,提高中长期径流预报精度。（2）基于空间风险分摊思想的梯级水库汛期运行水位动态控制模型。在分析溪洛渡-向家坝梯级汛期运行水位抬高的可行性的前提下,针对梯级水库异步蓄水可能造成系统风险发生时间提前的问题,提出了“等比例蓄水”原则来优化梯级水库防洪库容分配方式,以降低系统风险;在溪洛渡-向家坝调洪规则的基础上考虑“等比例蓄水”原则,推求出了两库汛期联合运行水位动态控制域,从而制订出梯级水库汛期运行水位组合方案,并开展不同水位组合方案的防洪风险分析,为实现洪水资源化利用奠定基础。（3）基于改进电子搜索算法的梯级水库联合优化调度模型。以溪洛渡-向家坝汛期不同水位组合方案为约束条件,建立了两库联合发电优化调度模型;针对电子搜索算法在求解梯级水库优化调度问题时存在搜索空间越限和搜索效率不高的问题,提出可行域内搜索策略以保证每次迭代的个体都是可行解,并采用参数自适应方法以提高算法前期全局搜索速度和后期的局部搜索能力;将改进电子搜索算法与其他算法对比,验证了算法在求解效率方面的优越性;将其应用于溪洛渡-向家坝联合发电优化调度模型的求解,从而优化年内水量分配过程,争取更高的发电效益。（4）基于累积前景理论的专家群体满意度最大群决策模型。建立了基于风险-效益指标的溪洛渡-向家坝汛期运行水位方案决策指标体系;采用组合赋权优化方法以获得兼顾指标排序度和重要度的指标权重;通过累积前景理论获得贴近实际决策心理的个人决策结果,在此基础上根据专家满意度最大原则建立群决策模型,求解出与所有参与决策的专家个人决策结果最贴切的方案作为群决策结果。优选出的方案权衡了风险和效益,可以为实现水资源高效利用提供参考。
郑海洋[4]（2021）在《嫩江-库漠屯站以上流域的洪水预报研究》文中进行了进一步梳理洪水灾害是自然界中最严重的灾害之一,每年都会不同程度地影响人们生产生活,给我国经济社会发展带来损失。洪水预报作为重要的非工程措施,在防洪减灾中发挥着重要作用。虽然已经有对嫩江流域的洪水预报研究,但针对嫩江上游的研究仍然有限,另外近些年,上游新增了一些测站,因此本文以库漠屯以上流域为研究区域,对河道进行洪水演算,又从延长预见期的角度,分别使用BP神经网络和新安江模型进行洪水预报,主要的研究内容和成果如下:（1）分析库漠屯以上流域的自然地理、水文条件,统计流域历史洪水特征,结合流域内水系和测站分布情况,拟采用马斯京根法、BP神经网络、新安江模型对库漠屯以上流域进行洪水预报研究。（2）单独针对石灰窑-古里-库漠屯区间,采用先演后合的马斯京根法对石灰窑、古里站进行流量演算。设置了连续演算和按场次洪水演算两种模式,然后又将场次洪水分为小、中、大三类,分别率定参数和流量演算;从洪量相对误差、洪峰相对误差、峰现时间差、确定性系数四个方面评价演算结果,分析不合格场次洪水的原因;最后将分类和不分类情况进行对比,得到结论:洪水分类后可以有效提高演算精度,尤其是大洪水,但马斯京根法并不能解决峰现时间演算不准确的问题。（3）构建一个三层BP神经网络模型,利用石灰窑、古里上一时段的流量,预报库漠屯下一时段的流量,设置了洪水分类和不分类两种情况,又在洪水分类的情况下细分出不加入区间降雨和加区间降雨两种模式,最后对每种情况的模拟结果分析,得出结论:不分类情况下,大部分年份洪峰模拟偏低,全部合格率为53.8%;洪水分类和加入降雨后,合格年份明显增多,洪峰、峰现时间差、确定性系数都有不同程度改善。（4）用新安江模型对库漠屯以上流域进行模拟,并使用遗传算法分别进行产流、汇流参数率定,最终对参数和不合格场次洪水进行分析,其中产流合格率为94.5%,汇流合格率为77.8%,得出在库漠屯以上流域使用新安江模型进行洪水预报是可行,具有一定参考意义。
朱春苗[5]（2021）在《松花江流域中长期径流预报研究》文中研究指明潜在预报因子的选取是将数据驱动的径流预报模型应用于实际工程的关键问题之一。国内外研究学者多聚焦于预报模型的优化与改进、模型参数优化方法的研究和不同预报模型、不同参数优化方式的对比分析,而对于因子优选方案的综合对比分析及其适用性的研究较少。为提取更多有效的预报信息从而提高模型的模拟精度,本文引入74项大气环流指数,与流域代表站点的降水、径流水文序列一同参与径流预报输入因子的优选,以相关分析法（CA）、基于相关分析的主成分分析法（CA-PCA）、互信息法（MI）及基于互信息的主成分分析法（MI-PCA）4种因子优选方案下不同筛选结果作为多元线性回归法（MLR）、支持向量回归模型（SVR）、BP神经网络模型（B P）的输入,对松花江流域佳木斯水文站的月平均流量进行预报,得出适用于松花江流域径流预报的潜在影响因子筛选方案与预报模型。主要结论如下:（1）在松花江流域上,径流与大气环流指标间存在明显的空间特征,其相关性从上游到下游逐渐增加。前滞期为1个月时的大气环流指标、上游三站（扶余站、大赉站及哈尔滨站）月平均径流量和佳木斯站月平均降雨量与佳木斯月平均径流量相关性最大,确定大气环流指标和水文影响因子的最佳预报前滞期均为一个月。（2）在MLR模型下,预报效果MLR-CA-PCA>MLR-CA>MLR-MI-PCA>MLR-MI。CA方案中,预报效果MLR-CA7>MLR-CA4>MLR-CA3,但合格率均未达到丙等水平,整体效果并不理想;CA-PCA方案中,MLR-CA-PCA4拟合效果最优,MLR-CA-PCA3与MLR-CA-PCA7拟合曲线基本重合,三组方案预报结果达到了丙级预报水平;MI与MI-PCA效果较差。在SVR模型下,预报效果SVR-CA-PCA>SVR-CA>SVR-MI-PCA>S VR-MI。CA方案中,SVR-CA7>SVR-CA3>SVR-CA4,其中SVR-CA7的QR为71.67%,达到乙等水平;CA-PCA方案中,SVR-CA-PCA7>SVR-CA-PCA4>SVR-CA-PCA3,其中SVR-CA-PCA7的QR为73.33%,达到乙等水平,相较于其它两种方案明显变好;MI与MI-PCA效果也较差。在BP神经网络模型下,预报效果BP-CA-PCA>BP-CA>BP-MI-PCA和BP-MI。CA方案中,BP-CA3>BP-CA7>BP-CA4;CA-PCA方案中,BP-CA-PCA7>BP-CA-PCA4>BP-CA-PCA3,其中BP-CA-PCA7的RMSE为827.58m3/s,R2为0.81,Q R为78.33%。MI与MI-PCA效果同样较差。（3）CA优选因子方案,在SVR模型的拟合下取得了最好的预报效果,其次为BP神经网络模型,最后为MLR模型。CA-PCA优选因子方案,在BP神经网络模型的拟合下取得了最好的预报效果,其次为SVR模型,最后为MLR模型。CA与CA-PCA最佳拟合方案均为输入因子为7项时的因子组合。MI与MI-PCA两种因子优选方案选出的因子组合在三种径流预报模型的拟合下,拟合效果均不理想。（4）得到最优预报结果的模型为BP神经网络模型,输入因子组合为CA-PCA7。其次为输入因子组合为CA-PCA7的SVR模型。
潘爽[6]（2021）在《多源卫星数据在尼尔基入库流量预报中的应用》文中认为尼尔基水库作为嫩江流域防洪控制性骨干工程,其入库流量关系到水库调度运行决策,进而影响下游地区的防洪安全。一旦降雨中心发生在库区附近,汇流时间将大大缩短,给洪水预报带来难度,也将加大后续调度的压力,因此需准确、实时地获悉水库入流情况。考虑到目前多源降雨信息的水文应用场景愈加广泛,本文选择尼尔基水库上游的库区邻近流域为研究对象,对水库入流量进行了平滑修正工作,同时探究了若干种卫星降雨产品在研究区的评估性能及其在尼尔基入流预报中的应用潜力,并采用BP神经网络与新安江的耦合模式提高汇流预报准确性,以期拓展降雨数据来源,提升水库入流预报精度,为日后尼尔基以上广大区域的预报提供借鉴与参考。全文主要内容及成果概括如下:（1）考虑到尼尔基水库入库流量因采用了水量平衡反推计算方法而出现较频繁的锯齿状震荡现象,本文参照一种基于入流连续性的修正方法,对尼尔基入库流量进行平滑修正。将修正前后的入库流量作为实测对比标准,分别通过BP神经网络和新安江两类预报模型进行入流量预报,结果证明,修正入库流量作为实测标准时可获得更高的模拟精度。由此证明,该种入流量平滑修正方法适用于尼尔基水库的锯齿状流量修正,为后文奠定了资料基础。（2）本文选用了时效性较好的五套卫星降雨产品——IMERG系列下的Early、Late以及GSMa P系列下的NRT、NRT Gauge、MVK,基于八项评估指标,从单站降雨和面降雨两个维度对上述产品进行了精度统计评估。综合时效性和准确性两大性能来看,GSMa P＿NRT Gauge在五套产品中表现最优,并且GSMa P系列另外两套产品易出现个别异常观测值。为减小产品误差,文中对比了加法和乘法两种误差校正模型的校正成果在加柳区间及科后区间的流量模拟精度,结果证明加法模型对于本区域的卫星产品误差校正有着更稳定优越的表现。除GSMa P＿NRT Gauge产品之外,其余四套卫星产品经加法模型校正后其流量模拟精度均有所提升。（3）考虑到尼尔基入库流量与上游三站有着较好的相关性,本文针对水库上游库柳科尼区间建立了新安江-BP神经网络耦合模型（XAJ-BP）,并基于多源降雨数据验证了该耦合模式下的流量模拟精度。结果证明,在该耦合模式下洪水汇流精度显着提升,尤其对高洪峰流量的准确性较好,在未来尼尔基入库流量预报中具备一定的研究价值和应用潜力。
雷冠军[7]（2020）在《基于数据融合的丰满水库长期径流预报研究》文中提出我国的水资源时空分布不均,气候变化和人类活动的影响导致旱涝灾害频发,成为制约经济发展的主要因素。河川径流在水循环系统中起着主导作用,而且极端径流会形成巨灾,径流预报对于防汛抗旱、水资源规划与管理等具有重要意义和价值。河川径流影响因子众多、变化特性复杂,基于成因分析法挖掘因子影响径流形成的规律是径流预报的关键。中长期径流预报预见期长、预报精度低,径流的形成机制尚不清晰,单一尺度因子的分析、单一统计预报方法的改进已不能进一步提高径流预报的精度,而且水文工作者不敢于报极值,中长期径流预报结果只能作为实际工作的参考。开展中长期径流预报理论和技术研究,融合多尺度因子和多方法的预报结果,进一步提高预报的精度和水平,能够为水库调度、水资源开发利用等工作提供支撑。本文以丰满水库流域的年径流为研究对象,选用天文、全球、流域尺度因子,分析挖掘因子与流域来水的相似性、遥相关性、可公度性、结构特性等规律,研究和改进智能学习法、模糊推理法、天文因子对比法、点聚图法、可公度法和可公度网络结构法等技术方法,建立了包含因子融合、结果融合、结构融合的多尺度因子信息融合的中长期径流预报模型。研究成果能够有效提高丰满水库流域径流和极端径流预报的精度,为丰满水库调度提供技术支持。具体研究成果如下:（1）运用统计分析法,挖掘三大尺度因子与流域来水丰枯特性的响应规律。结果表明,丰满水库流域来水的丰枯状态与ENSO事件的冷暖特性、ENSO事件的发生时间距离汛期的远近、基于农谚所选择的气象因子等具有较好的统计规律,且均能通过假设检验。基于线性相关系数法、互信息理论法、关联度分析法研究天文因子、气象因子、天文因子+海洋大气因子+气象因子与流域来水的相关性,结果表明,气象因子的相关性最强,海洋大气因子的相关性最弱,月球赤纬角与流域来水的关联度最大。（2）基于相关性分析所得的因子组合方案,运用神经网络、支持向量机、决策树、随机森林等智能学习方法,融合因子预报径流。结果表明,水量回归预报较差,3级分类预报较优;预报方法不同,方法所对应的最优因子及其组合不同,训练和预报性能均较优且稳健性强的方法为ELM、RBF神经网络。对多方法的最优分类预报结果进行融合,使得定性预报正确率达到89.5%。（3）运用相位对比法融合天文因子、海洋大气因子及其组合预报径流。结果表明,该方法的定量预报正确率为63.16%,24节气阴历日期+太阳黑子相对数的定性预报最优,正确率为63.16%。相位对比法对于极端来水年的丰枯属性识别能力较强,却难以有效预报出平水年,运用定量预报结果反推来水级别的正确率较低。相位对比法存在无法判别的年份,运用模糊推理法基于相关性分析所得的因子组合进一步分析计算因子的相似性,融合因子预报径流。引入TOPSIS模糊综合评判法、相似衍生法相似度、“因子进出法”等,对模糊推理法进行改进。结果表明,相似衍生法模糊推理法的稳健性优于Turksen模糊推理法,二者对径流的定量预报较差、定性预报较优,对其各自最优的定性预报结果进行融合,正确率达到73.68%。（4）采用“主次因子对比法”对单一天文因子对比法、分布式融合结构天文因子对比法进行改进,融合结果预报径流。研究得到能够提高预报精度的混合式融合结构天文因子对比法,定性预报正确率为63.16%。基于分析所得的海洋大气因子、气象因子与流域来水的遥相关规律修正预报结果,进一步改进天文因子对比法,使得预报正确率提高到 73.68%。（5）绘制三大尺度因子与流域来水的点聚图,融合结果预报径流。结果表明,24节气阴历日期和月球赤纬角点聚图具有较好的稳健性,太阳黑子相对数离散性较强难以准确划分其聚类区间,三大尺度因子点聚图的定性预报正确率分别为63.16%、57.89%、21.05%。将海洋大气因子、气象因子与来水丰枯的遥相关规律作为该类因子的点聚图进而得到径流预报结果,并与天文因子点聚图的预报结果进行融合,使得预报正确率提高到 73.68%。（6）将径流分为一般、极端、极值点结构,融合结构预报极端径流。结果表明,以因子融合、结果融合的预报结果作为一般来水结构能够融合多因子、多方法的信息,预报正确率为84.21%;点面结合法的改进与上下包线结构、智能学习分类以及传统点面结合法相比对于极端来水结构的预报精度较高,预报正确率为60%;通过细致划分丰枯水链、引入月球赤纬角对可公度网络结构法进行改进,能够增强方法的可操作性,降低基于极值点结构预报极端来水年高发期的不确定性;综合径流三大结构的预报结果,结合连续极端来水年的判定,预报极端来水的高发年,其中特丰水年、特枯水年的预报正确率分别为66.7%、80%。
任娟慧[8]（2019）在《黄土区典型中小流域洪水预报KNN-FWA-ELM模型及其适用件研究》文中认为我国是世界上黄土分布最广的地区,黄土面积占国土总面积的近7%。黄土丘陵是黄土地区的主要地貌形态,地形切割强烈、沟壑纵横、坡面陡峭是其主要地形特点。黄土区降雨多集中在7-9月份,降雨强度大,导致该区中小流域洪水具有产流快、洪峰高、历时短、流速急和破坏力强等特点。黄土区下垫面易受自然和人类活动的影响,暴雨和局部强降雨等引起的中小流域洪水预报一直是自然灾害等相关领域的重要研究课题。论文采用混合智能计算方法,应用烟花算法（Fireworks Algorithm-FWA）和K最近邻（K Nearest Neighbor-KNN）方法,对极限学习机（Extreme Learning Machine-ELM）模型进行改进,建立下垫面变化条件下黄土区中小流域的数据驱动洪水预报模型并进行适用性研究。不仅对洪水预报方法具有重要的理论意义,而且对黄土区中小流域的防洪减灾具有较高的应用价值。本文以晋西黄土区圪洞流域为研究区,通过分析流域下垫面特征,将流域下垫面变化划分为三个时期,分析计算了不同时期流域水文特征和洪水过程中的降雨损失;提出了KNN-FWA-ELM洪水预报混合模型,并将其应用于圪洞流域洪水预报中;通过对比KNN-FWA-ELM模型与HEC-HMS模型在不同下垫面条件、不同洪水特征下场次洪水的模拟结果,分析KNN-FWA-ELM模型在王家沟试验小区典型场次洪水预报中的应用效果,评价了KNN-FWA-ELM模型在黄土区典型中小流域洪水预报中的适用性。取得的主要成果如下:（1）流域水文特征分析。在1964-2012年期间,流域年降水量下降不显着,但年径流深呈明显下降趋势。年径流系数与土地利用变化的多元线性关系表明,黄土区增加林地面积可有效拦蓄径流,减少山洪灾害的发生。通过对比分析不同时期洪水演变特征,发现修建梯田、植树造林等水保措施可有效拦截降水、衰减洪峰流量和洪量,并延长滞时。相同级别雨量及雨强下,洪量和洪峰流量的衰减幅度分别为9.32%-92.90%和4.61%-80.22%,滞时延长了0.58-1.38h。流域降雨损失主要受林地面积占比和地形坡度的影响,降雨损失随着林地面积占比的增加和地形坡度的减小而增加,且林地面积占比对降雨损失的影响大于地形坡度。从1964年到2012年,在相同量级降雨条件下,随着林地面积占比的增加,降雨损失占比与林地面积占比的相关系数由0.6397上升至0.8413。（2）KNN-FWA-ELM洪水预报模型的构建。针对黄土区特殊的地形、微地貌和植被等下垫面变化条件,对ELM模型在黄土区典型中小流域洪水预报中的优缺点进行分析。为了实现模型参数优化和洪水连续预报,以MATLABR2016b为平台自行编程,运用烟花算法和K最近邻方法对ELM模型进行了改进,提出并构建了一种适用于黄土区中小流域洪水预报的数据驱动混合模型（KNN-FWA-ELM）,并在模型的输入与输出中考虑了不同时期流域下垫面特征的变化。（3）KNN-FWA-ELM洪水预报模型的应用及评价。将KNN-FWA-ELM模型和ELM模型应用于圪洞流域,对不同时期、不同等级的场次洪水进行模拟预报,依据洪峰流量误差、峰现时差、纳什系数、相关系数和均方根误差五个指标,分别对两个模型的场次洪水模拟结果进行了分析评价,结果表明KNN-FWA-ELM模型的模拟效果更优、模拟精度更高。（4）KNN-FWA-ELM洪水预报模型的适用性分析。为了进一步探讨KNN-FWA-ELM模型在黄土区中小流域洪水模拟预报中的适用性,依据场次洪水模拟合格率、洪峰流量误差、峰现时差、纳什系数、相关系数和均方根误差六项指标,对比分析了KNN-FWA-ELM模型与HEC-HMS模型在圪洞流域所有场次洪水及不同时期、不同洪水等级下场次洪水的模拟结果,同时依据均方根误差和平均绝对百分比误差,对KNN-FWA-ELM模型与HEC-HMS模型模拟的洪峰流量、洪量和洪峰滞时三个洪水特征值进行了比较,并将KNN-FWA-ELM模型应用于王家沟试验小区场次洪水模拟中。结果表明:KNN-FWA-ELM模型对圪洞流域和王家沟试验小区场次洪水模拟整体效果较好,且模型在圪洞流域的模拟效果优于王家沟试验小区。从不同时期场次洪水来看,KNN-FWA-ELM模型更适用于快速起峰且洪水过程持续时间相对较长的洪水、多峰之间间隔时间相对长或第一个峰为主峰的洪水、洪水过程不规则且持续时间长的洪水;对不同等级场次洪水,KNN-FWA-ELM模型对大洪水的模拟效果更优;从洪峰流量、洪量和洪峰滞时三个洪水特征值方面考虑,KNN-FWA-ELM模型对洪峰滞时的模拟效果更优。
侯翔[9]（2013）在《神经网络在洪水预报中的应用研究》文中指出受四川盆地地形与北部秦岭山脉的影响，达州市河流众多，洪灾频频发生，每次洪灾都给达州市政府和人民带来巨大的经济损失和惨重的人员伤亡。事实证明，如果我们还不采取有效的措施来预防洪水，人民的生命财产将面临巨大的威胁，经济损失也将日益扩大。而洪水预报是一种非常重要的非工程防洪措施，直接影响着防汛、水资源的合理利用和水利工程的管理等工作情况。当前，基本上所有的洪水预报模型都是以实测数据为基础建立起来的，例如统计模型、确定性预报模型，只能够近似的来模拟实际洪水规律。但在实际应用中,这些洪水预报模型受到了许多条件的限制，难以被运用于处理洪水和各要素之间的内在关系。本文在国内外研究成果的基础上，研究了如何将人工神经网络应用于洪水预报中。详细介绍了人工神经网络和BP神经网络的基本理论，给出了建立BP网络的几点注意事项，分析了BP神经网络的缺陷，介绍了几种改进算法。并采用LM算法改进的BP神经网络模型预报了四川省达州市州河上游东林水文站的洪水流量，分析了预报结果，找出了BP神经网络模型的不足之处。本文研究的重点是将如何将遗传算法（GA）运用到人工神经网络（ANN）中去。通过研究GA算法，针对BP网络在学习过程中存在的问题，对BP神经网络进行了优化，设计出了GA-BP神经网络模型，该模型能够避免BP神经网络模型在学习过程中得到局部最优解。以州河流域水文资料数据为研究样本，用MATLAB（2009a）神经网络工具箱作为开发环境实现了GA-BP洪水预报模型，通过反复训练获得了预报结果，并与单一采用LM算法的BP神经网络模型进行比较。结果表明，GA-BP神经网络模型的预报结果合理、相对误差小、收敛速度快，预报精度高。该模型实用性较强，在洪水预报领域能够得到较好应用，可以为达州市的防汛工作提供一定的参考意见。
闵祥宇[10]（2011）在《基于人工神经网络的渭河上游洪水预报研究》文中研究表明防洪是一门预防洪灾造成人民生活和生产损失的学问,因此对河道防洪的研究具有重大意义。由于洪水的产生过程复杂,传统的洪水预报方法需要大量的数据,在资料不足的情况下利用传统的预报方法无法预测。本文依据河道洪水传播的非线性特点,引入BP人工神经网络,建立一种新的河道洪水预报模型。研究河段选用渭河上游武山水文站-北道水文站河段。研究的主要内容如下：（1）简单阐述了当前洪水预报的主要方法,引入BP神经网络模型,并介绍了BP神经网络在河道洪水预报中的研究现状。以MATLAB （2009a）为模型实现平台,采用1991年-2001年研究区水文站的水位及流量数据,训练及检验BP神经网络模型并保存结果较好的网络,之后以2002年8月洪水为预报样本,定量预测该场洪水的流量。（2）根据选用水文站数量的不同,研究分为三种模型,以期选出最适合本河段的预报模型。通过基本的BP神经网络模型进行北道站洪水流量预报,结果的确定型系数分别为0.37、0.89、0.95。预报结果证明BP神经网络模型可以用于该河段的洪水流量预报。（3）依据基本BP神经网络模型在预测中体现出的不足之处,提出基本BP网络模型的改进模型——GA-BPLM、GA-BPBR神经网络,通过两种改进模型对A、B模型进行预测,并将三种神经网络的预测结果对比分析,得到GA-BPBR神经网络的预测结果可以达到甲级精度,无论是在训练时间,还是预测结果都证明了GA-BPBR神经网络模型可以快速准确的预报研究区河段的洪水流量。（4）最后,利用GA-BPBR模型对研究区河段进行了延长预报期的洪水预报,其结果也是可以接受的。以上研究证明了BP神经网络在河道洪水预报中是可行的,为研究区河段及时准确预报洪水流量提供了新的思路和方法,对正确做出相应的防洪决策可以起到一定的作用。
二、门限人工神经网络模型及其在洪水预报中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、门限人工神经网络模型及其在洪水预报中的应用（论文提纲范文）
（1）秦巴山区中小河流洪水预警预报系统研究 ——以引汉济渭调水工程施工区为例（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 洪水组合预测技术 |
| 1.2.2 中小河流洪水预报研究进展 |
| 1.3 研究内容和技术路线 |
| 1.3.1 问题的提出 |
| 1.3.2 研究内容 |
| 1.3.3 研究技术路线 |
| 2 研究区域概况及数据处理 |
| 2.1 研究区域概况 |
| 2.1.1 流域概况 |
| 2.1.2 流域水文站网 |
| 2.1.3 引汉济渭调水工程概况 |
| 2.2 水文资料选用及分析处理 |
| 2.2.1 资料的可靠性分析 |
| 2.2.2 资料的一致性分析 |
| 2.2.3 资料的代表性分析 |
| 2.3 本章小结 |
| 3 降雨径流规律分析 |
| 3.1 降雨径流分析 |
| 3.1.1 年降雨量及特征 |
| 3.1.2 径流年际变化及月分配特性 |
| 3.1.3 年降雨径流关系分析 |
| 3.2 产流特性分析 |
| 3.2.1 暴雨洪水特性 |
| 3.2.2 下渗与蒸发 |
| 3.2.3 产流计算 |
| 3.2.4 产流特性分析 |
| 3.3 汇流特性分析 |
| 3.3.1 单位线推求 |
| 3.3.2 汇流特性分析 |
| 3.4 本章小结 |
| 4 致灾洪水预警指标研究 |
| 4.1 预警指标的研究方法 |
| 4.1.1 雨量预警指标 |
| 4.1.2 流量预警指标 |
| 4.2 预警断面确定及预警指标选择 |
| 4.2.1 施工区概述 |
| 4.2.2 预警断面确定 |
| 4.2.3 预警指标选择 |
| 4.3 预警指标的确定 |
| 4.3.1 代表站确定及资料选用 |
| 4.3.2 秦岭隧洞0#支洞施工区预警流量确定 |
| 4.3.3 秦岭隧洞1#支洞施工区临界雨量确定 |
| 4.3.4 秦岭隧洞3#支洞施工区临界雨量确定 |
| 4.3.5 三河口水利枢纽临界流量确定 |
| 4.4 本章小结 |
| 5 洪水预报模型 |
| 5.1 水文模型选择 |
| 5.2 模型原理简介 |
| 5.2.1 新安江模型 |
| 5.2.2 TOPMODEL模型 |
| 5.2.3 API模型 |
| 5.3 模型参数与模拟环境设定 |
| 5.3.1 数字高程模型应用 |
| 5.3.2 模型方案编制 |
| 5.3.3 精度评定方法 |
| 5.4 本章小结 |
| 6 预报模型方案的比较 |
| 6.1 新安江模型 |
| 6.1.1 流域单元划分 |
| 6.1.2 模型参数率定 |
| 6.1.3 精度评定与误差分析 |
| 6.2 TOPMODEL模型 |
| 6.2.1 模型主要参数 |
| 6.2.2 模型参数计算 |
| 6.2.3 精度评定与误差分析 |
| 6.3 API模型 |
| 6.3.1 主要参数分析 |
| 6.3.2 模型参数计算 |
| 6.3.3 精度评定与误差分析 |
| 6.4 结果对比分析 |
| 6.4.1 洪峰流量、峰现时间预报结果对比 |
| 6.4.2 洪水过程预报结果对比 |
| 6.5 本章小结 |
| 7 洪水预报及预警系统开发 |
| 7.1 系统设计目标及技术要求 |
| 7.1.1 设计目标 |
| 7.1.2 技术要求指标 |
| 7.1.3 运行环境 |
| 7.2 系统结构及流程 |
| 7.2.1 系统结构 |
| 7.2.2 系统流程 |
| 7.2.3 系统的数据流程 |
| 7.3 界面设计 |
| 7.4 数据库设计 |
| 7.4.1 洪水预报方案数据库 |
| 7.4.2 系统内部数据库 |
| 7.5 系统功能 |
| 7.5.1 预报模型及方法管理 |
| 7.5.2 模型参数率定 |
| 7.5.3 洪水预报功能 |
| 7.5.4 数据管理模块 |
| 7.5.5 预报成果综合分析 |
| 7.5.6 成果显示与发布 |
| 7.6 应用分析 |
| 7.7 本章小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 主要创新点 |
| 8.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士期间发表的论文、参与的主要科研课题 |
（2）基于深度学习的水库洪水预报研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水文预报方法研究进展 |
| 1.2.2 人工神经网络研究进展 |
| 1.3 研究内容及技术路线 |
| 第2章 水文驱动因子筛选与去噪 |
| 2.1 灰色关联分析 |
| 2.1.1 灰色系统理论 |
| 2.1.2 灰色关联分析理论 |
| 2.1.3 关联度计算步骤 |
| 2.2 Gamma Test基本理论 |
| 2.2.1 Gamma Test方法介绍 |
| 2.2.2 Gamma Test的基本假设 |
| 2.2.3 Gamma Test的算法介绍 |
| 2.3 K近邻算法 |
| 2.4 小结 |
| 第3章 人工神经网络模型介绍 |
| 3.1 循环神经网络 |
| 3.1.1 RNN的模型结构 |
| 3.1.2 RNN的基本算法 |
| 3.1.3 RNN的不足 |
| 3.2 长短时记忆神经网络 |
| 3.2.1 LSTM的模型结构 |
| 3.2.2 LSTM的基本算法 |
| 3.3 卷积神经网络 |
| 3.3.1 CNN的模型结构 |
| 3.3.2 CNN的基本算法 |
| 3.3.3 基于序列数据的CNN |
| 3.4 小结 |
| 第4章 人工神经网络模型的优化 |
| 4.1 数据标准化 |
| 4.2 优化器方法 |
| 4.2.1 随机梯度下降 |
| 4.2.2 标准动量优化算法 |
| 4.2.3 自适应梯度算法 |
| 4.2.4 均方根传播算法 |
| 4.2.5 自适应时刻估计算法 |
| 4.3 正则化 |
| 4.4 批标准化 |
| 4.5 小结 |
| 第5章 水库洪水预报工程实例研究 |
| 5.1 研究区域概况 |
| 5.1.1 地理位置 |
| 5.1.2 水文气象 |
| 5.1.3 地质地貌 |
| 5.2 数据筛选 |
| 5.2.1 数据介绍 |
| 5.2.2 筛选结果 |
| 5.3 基于LSTM的水库洪水预报模型 |
| 5.3.1 模型设置 |
| 5.3.2 模型计算结果 |
| 5.4 基于CNN的水库洪水预报模型 |
| 5.4.1 模型设置 |
| 5.4.2 模型计算结果 |
| 5.5 基于CNN-LSTM的水库洪水预报模型 |
| 5.5.1 模型设置 |
| 5.5.2 模型计算结果 |
| 5.6 水库洪水预报模型的性能评估 |
| 5.6.1 精度评定 |
| 5.6.2 相关分析 |
| 5.6.3 模型对比评价 |
| 5.7 小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间参与的科研项目与发表论文 |
| 学位论文评阅及答辩情况表 |
（3）基于风险分摊的梯级水库汛期水位动态控制及决策研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 中长期径流预报 |
| 1.2.2 汛期运行水位动态控制 |
| 1.2.3 梯级水库联合优化调度 |
| 1.2.4 多目标决策 |
| 1.3 目前存在的主要问题及发展趋势 |
| 1.4 主要研究内容 |
| 第2章 溪洛渡径流特性分析及中长期径流预报模型 |
| 2.1 引言 |
| 2.2 研究区域概况 |
| 2.3 径流特性分析 |
| 2.3.1 径流年内分配 |
| 2.3.2 径流年际变化 |
| 2.4 基于径流划分和预报因子筛选的中长期径流预报 |
| 2.4.1 基于K-means聚类法的径流划分 |
| 2.4.2 基于MIC的预报因子筛选方法 |
| 2.4.3 基于BP人工神经网络的中长期径流预报模型 |
| 2.5 实例应用 |
| 2.5.1 径流丰平枯划分及代表年选取 |
| 2.5.2 预报因子筛选 |
| 2.5.3 中长期径流预报 |
| 2.6 本章小结 |
| 第3章 溪洛渡-向家坝汛期联合运行水位动态控制 |
| 3.1 引言 |
| 3.2 研究区域概况 |
| 3.3 基于空间风险分摊思想的梯级水库蓄洪规则 |
| 3.3.1 梯级水库联合防洪调度“等比例蓄水”原则 |
| 3.3.2 防洪调度结果分析 |
| 3.4 梯级水库汛期联合运行水位动态控制 |
| 3.4.1 溪-向汛期运行水位动态控制可行性分析 |
| 3.4.2 梯级水库汛期联合运行水位动态控制域 |
| 3.5 实例应用 |
| 3.5.1 动态控制域下限 |
| 3.5.2 动态控制域上限 |
| 3.5.3 考虑洪水发生时间预报误差的水位动态控制风险分析 |
| 3.6 本章小结 |
| 第4章 IESA及其在梯级水库发电优化调度中的应用 |
| 4.1 引言 |
| 4.2 改进电子搜索算法 |
| 4.2.1 电子搜索算法 |
| 4.2.2 可行域内搜索策略 |
| 4.2.3 逐步收敛的参数自适应方法 |
| 4.2.4 算法步骤 |
| 4.3 梯级水库联合发电优化调度模型 |
| 4.3.1 目标函数 |
| 4.3.2 约束条件 |
| 4.4 算法性能分析 |
| 4.5 实例应用 |
| 4.6 本章小结 |
| 第5章 基于专家群体最大满意度原则的群决策模型 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 组合赋权优化方法 |
| 5.4 基于累积前景理论的个人决策 |
| 5.4.1 决策矩阵归一化处理 |
| 5.4.2 价值函数和概率权重函数 |
| 5.4.3 综合前景价值 |
| 5.5 基于专家满意度最大原则的群决策模型 |
| 5.5.1 专家满意度最大原则 |
| 5.5.2 EMGDM构建步骤 |
| 5.6 实例应用 |
| 5.6.1 决策矩阵建立 |
| 5.6.2 指标权重计算 |
| 5.6.3 个人决策 |
| 5.6.4 群决策 |
| 5.7 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（4）嫩江-库漠屯站以上流域的洪水预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 洪水预报概述 |
| 1.2.2 洪水预报研究进展 |
| 1.2.3 人工神经网络概述 |
| 1.2.4 人工神经网络在水文领域的应用进展 |
| 1.3 研究内容和技术路线 |
| 2 流域概况和资料处理 |
| 2.1 概述 |
| 2.2 研究流域概况 |
| 2.2.1 自然地理条件 |
| 2.2.2 水文气象条件 |
| 2.3 水文资料的收集和整理 |
| 2.3.1 降雨和流量数据的处理 |
| 2.3.2 退水曲线绘制 |
| 2.3.3 场次洪水划分 |
| 2.3.4 场次洪水特性分析 |
| 2.4 小结 |
| 3 基于马斯京根法的石灰窑-古里-库漠屯区间的洪水演算 |
| 3.1 概述 |
| 3.2 马斯京根法介绍 |
| 3.2.1 方法原理 |
| 3.2.2 参数确定 |
| 3.2.3 模型构建 |
| 3.3 结果分析 |
| 3.3.1 基于马斯京根法的演算结果 |
| 3.3.2 洪水分类后的马斯京根法演算结果 |
| 3.3.3 两者对比 |
| 3.4 小结 |
| 4 BP神经网络模型在石灰窑-古里-库漠屯区间的应用 |
| 4.1 概述 |
| 4.2 基于BP神经网络模型的石灰窑-古里-库漠屯区间的流量预报 |
| 4.2.1 模型介绍 |
| 4.2.2 模型建立 |
| 4.2.3 样本资料的组织处理 |
| 4.3 结果分析 |
| 4.3.1 不分类情况下的预报结果 |
| 4.3.2 分类情况下的预报结果 |
| 4.4 小结 |
| 5 基于新安江模型在库漠屯以上流域的应用 |
| 5.1 概述 |
| 5.2 新安江模型介绍 |
| 5.2.1 模型概述 |
| 5.2.2 参数介绍和优化 |
| 5.3 基于新安江模型在库漠屯以上流域的应用 |
| 5.3.1 模型参数取值 |
| 5.3.2 模拟结果分析 |
| 5.4 小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（5）松花江流域中长期径流预报研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展及存在问题 |
| 1.2.1 中长期径流预报研究进展 |
| 1.2.2 预报因子选择 |
| 1.2.3 存在的不足 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第二章 数据来源与研究方法 |
| 2.1 研究区概况 |
| 2.2 数据来源 |
| 2.3 研究方法 |
| 2.3.1 相关系数法 |
| 2.3.2 互信息法 |
| 2.3.3 主成分分析法 |
| 2.3.4 多元线性回归(MLR) |
| 2.3.5 SVM模型 |
| 2.3.6 BP神经网络模型 |
| 2.3.7 模型评价指标 |
| 第三章 预报因子分析与筛选 |
| 3.1 预报因子前滞期分析 |
| 3.1.1 大气环流指标与流域径流相关性时空变化分析 |
| 3.1.2 水文影响因子与流域径流相关性时间变化分析 |
| 3.2 相关分析及基于相关分析的主成分分析 |
| 3.2.1 相关分析 |
| 3.2.2 基于相关分析的主成分分析 |
| 3.3 互信息法及基于互信息的主成分分析 |
| 3.3.1 互信息计算 |
| 3.3.2 基于互信息法的主成分分析 |
| 3.4 小结 |
| 第四章 预报模型构建与结果分析 |
| 4.1 多元线性回归模型 |
| 4.1.1 多元线性回归模型径流拟合 |
| 4.1.2 基于MLR的不同预报因子拟合结果对比 |
| 4.2 支持向量回归模型 |
| 4.2.1 支持向量回归模型径流拟合 |
| 4.2.2 基于SVR的不同预报因子拟合结果对比 |
| 4.3 BP神经网络模型 |
| 4.3.1 BP神经网络模型径流拟合 |
| 4.3.2 基于BP的不同预报因子拟合结果对比 |
| 4.4 不同预报模型预报结果对比 |
| 4.5 小结 |
| 第五章 总结与展望 |
| 5.1 主要结论 |
| 5.2 创新点 |
| 5.3 研究不足与展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（6）多源卫星数据在尼尔基入库流量预报中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 入库流量的计算方法及存在问题 |
| 1.2.2 卫星估测降雨技术研究进展 |
| 1.2.3 卫星降雨产品精度评估及误差校正研究进展 |
| 1.3 本文主要研究内容 |
| 2 研究流域概况与模型介绍 |
| 2.1 研究流域概况 |
| 2.1.1 尼尔基水库以上流域概况 |
| 2.1.2 研究区选取及子流域介绍 |
| 2.2 水文模型介绍 |
| 2.2.1 模型概述 |
| 2.2.2 模型参数率定 |
| 2.3 本章小结 |
| 3 尼尔基水库入库流量平滑修正 |
| 3.1 尼尔基水库锯齿状入流 |
| 3.2 锯齿入流的平滑方法 |
| 3.3 参数影响分析及取值 |
| 3.3.1 参数影响定性分析 |
| 3.3.2 参数影响定量分析 |
| 3.3.3 参数取值结果 |
| 3.4 修正结果在入库流量模拟中的应用 |
| 3.4.1 BP神经网络模型模拟 |
| 3.4.2 新安江模型模拟 |
| 3.5 小结 |
| 4 多源卫星产品统计评估及校正 |
| 4.1 引言 |
| 4.2 卫星降雨产品介绍及数据读取 |
| 4.2.1 产品介绍 |
| 4.2.2 数据读取 |
| 4.3 产品统计评估 |
| 4.3.1 评估指标 |
| 4.3.2 单站评估结果 |
| 4.3.3 面雨量评估结果 |
| 4.4 卫星产品校正 |
| 4.4.1 校正方法选择 |
| 4.4.2 校正前后卫星降雨的水文响应结果对比 |
| 4.5 本章小结 |
| 5 基于多源降雨和XAJ-BP耦合模型的尼尔基入库流量预报 |
| 5.1 新安江与BP神经网络耦合模型及其应用 |
| 5.2 多源降雨输入下基于XAJ-BP模型的尼尔基入库流量模拟 |
| 5.2.1 模型输入 |
| 5.2.2 XAJ和 XAJ-BP模型结果对比分析 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（7）基于数据融合的丰满水库长期径流预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和目标 |
| 1.1.1 研究背景 |
| 1.1.2 研究目标 |
| 1.2 国内外研究进展 |
| 1.2.1 三大尺度因子径流预报研究 |
| 1.2.2 因子相关性分析 |
| 1.2.3 传统统计预报模型 |
| 1.2.4 现代水文预报模型 |
| 1.2.5 研究进展的总结 |
| 1.3 本文研究介绍 |
| 1.3.1 研究问题 |
| 1.3.2 研究方法 |
| 1.3.3 研究内容 |
| 1.3.4 技术路线图 |
| 第二章 径流预报技术的系统分析 |
| 2.1 来水丰枯的影响机理 |
| 2.1.1 热量与引力作用 |
| 2.1.2 地形和海陆分布作用 |
| 2.2 来水预报基于的基本特性 |
| 2.2.1 周期性 |
| 2.2.2 有序性 |
| 2.2.3 遥相关性 |
| 2.2.4 结构特性 |
| 2.3 来水与极端来水预报的思路 |
| 2.3.1 预报因子基于空间尺度的分类 |
| 2.3.2 预报因子基于时间尺度的分类 |
| 2.3.3 预报值基于预报特征的分类 |
| 2.3.4 基于信息融合的流域来水预报 |
| 2.4 研究流域分析 |
| 2.4.1 流域介绍 |
| 2.4.2 流域丰枯机理 |
| 2.5 小结 |
| 第三章 三大尺度因子与径流的统计分析 |
| 3.1 天文尺度因子相位与流域来水规律分析 |
| 3.1.1 太阳黑子相对数 |
| 3.1.2 月球赤纬角 |
| 3.1.3 24节气阴历日期 |
| 3.2 全球尺度因子相位与流域来水规律分析 |
| 3.2.1 ENSO事件的发生与结束时间与流域来水丰枯的关系 |
| 3.2.2 ENSO事件特征值与流域来水丰枯的关系 |
| 3.3 流域尺度因子相位与流域来水规律分析 |
| 3.3.1 谚语机理分析 |
| 3.3.2 气象因子与来水属性级别统计分析 |
| 3.4 因子数值与流域来水统计分析方法 |
| 3.4.1 基础数据处理 |
| 3.4.2 相关性分析的方法 |
| 3.5 因子相关性分析结果 |
| 3.5.1 天文因子相关性分析 |
| 3.5.2 气象因子相关性分析 |
| 3.5.3 天文因子+海洋大气因子+气象因子相关性分析 |
| 3.6 结果分析 |
| 3.6.1 因子相位与流域来水规律 |
| 3.6.2 因子数值与流域来水相关性 |
| 3.7 小结 |
| 第四章 基于智能学习的预报因子融合的径流预报 |
| 4.1 预报方法 |
| 4.1.1 神经网络 |
| 4.1.2 决策树和随机森林 |
| 4.1.3 支持向量机 |
| 4.2 数据处理的方法 |
| 4.2.1 预报因子的处理 |
| 4.2.2 预报值的处理 |
| 4.2.3 预报值的评判指标 |
| 4.2.4 模型和因子优选的TOPSIS-模糊综合评判法 |
| 4.3 建模预报 |
| 4.4 结果统计分析 |
| 4.4.1 流域水量回归预报结果分析 |
| 4.4.2 流域来水量7级分类预报结果分析 |
| 4.4.3 流域来水量3级分类预报结果分析 |
| 4.4.4 33个因子方案分析 |
| 4.4.5 预报结果的最优方案 |
| 4.4.6 最优方案的预报结果分析 |
| 4.5 小结 |
| 第五章 基于相似性分析的预报因子融合的径流预报 |
| 5.1 相位对比法 |
| 5.1.1 基本原理 |
| 5.1.2 预报结果分析 |
| 5.2 相似模糊推理法 |
| 5.2.1 模糊推理法的基本原理 |
| 5.2.2 相似度的计算方法 |
| 5.2.3 主成分分析法计算权重 |
| 5.2.4 TOPSIS-模糊综合评判法优选最优模型 |
| 5.2.5 预报模型的建立 |
| 5.3 模糊推理法预报 |
| 5.3.1 因子组合分析 |
| 5.3.2 误差评定与优选判别 |
| 5.4 模糊推理法因子二次筛选 |
| 5.4.1 因子进出法寻优 |
| 5.4.2 因子进出法实例分析 |
| 5.5 模糊推理法预报结果 |
| 5.6 结果分析 |
| 5.7 小结 |
| 第六章 基于天文因子对比法的预报结果融合的径流预报 |
| 6.1 天文因子对比法机理分析 |
| 6.2 预报方法1-单一天文因子对比法 |
| 6.2.1 24节气阴历日期对比法 |
| 6.2.2 太阳黑子相对数对比法 |
| 6.2.3 月球赤纬角对比法 |
| 6.3 预报方法2-天文因子对比法预报结果的融合 |
| 6.3.1 天文因子预报结果的线性融合 |
| 6.3.2 天文因子融合法-主次因子对比法 |
| 6.3.3 天文因子融合法的修正 |
| 6.3.4 天文因子融合法定量预报 |
| 6.4 小结 |
| 第七章 基于点聚图法的预报结果融合的径流预报 |
| 7.1 点聚图法 |
| 7.1.1 点聚图的制作 |
| 7.1.2 预报方案 |
| 7.2 24节气阴历日期点聚图预报 |
| 7.2.1 极端来水年24节气阴历日期的聚类特性 |
| 7.2.2 24节气阴历日期聚类预报方法 |
| 7.2.3 24节气阴历日期聚类分析建模 |
| 7.2.4 基于聚类分析的来水预报 |
| 7.3 月球赤纬角和太阳黑子相对数点聚图预报 |
| 7.3.1 月球赤纬角聚类预报方法 |
| 7.3.2 太阳黑子相对数聚类预报方法 |
| 7.4 海洋大气因子与流域气象因子点聚图预报 |
| 7.5 多尺度因子点聚图预报结果融合 |
| 7.6 小结 |
| 第八章 基于来水结构融合的极端径流预报 |
| 8.1 基本定义 |
| 8.2 预报方法 |
| 8.2.1 一般来水结构预报-多方法预报结果融合 |
| 8.2.2 极端来水结构预报 |
| 8.2.3 基于改进可公度网络结构的极值点结构预报 |
| 8.2.4 极端来水年预报 |
| 8.3 实例应用 |
| 8.3.1 一般来水结构分析 |
| 8.3.2 极端来水结构分析 |
| 8.3.3 极值点结构的确定及极端来水年预报分析 |
| 8.3.4 连续极端来水年预报分析 |
| 8.4 讨论 |
| 8.5 小结 |
| 第九章 结论与展望 |
| 9.1 结论 |
| 9.2 展望 |
| 9.3 创新性 |
| 附表 |
| 参考文献 |
| 科研及发表论文情况 |
| 致谢 |
（8）黄土区典型中小流域洪水预报KNN-FWA-ELM模型及其适用件研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 洪水预报模型研究 |
| 1.2.2 黄土区中小流域洪水模拟研究 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法及技术路线 |
| 第二章 圪洞流域下垫面及水文特征分析 |
| 2.1 圪洞流域概况 |
| 2.2 地形地貌特征 |
| 2.2.1 地貌特征 |
| 2.2.2 地形特点 |
| 2.3 土地利用类型 |
| 2.4 站网信息及子流域划分 |
| 2.5 水文特征分析 |
| 2.5.1 径流特征 |
| 2.5.2 洪水特征 |
| 2.5.3 降雨损失 |
| 2.6 本章小结 |
| 第三章 KNN-FWA-ELM洪水预报模型构建原理及方法 |
| 3.1 极限学习机(ELM)原理及算法 |
| 3.2 烟花算法(FWA)原理及算法 |
| 3.3 K最近邻方法(KNN)原理及算法 |
| 3.4 KNN-FWA-ELM模型构建 |
| 3.4.1 模型参数设定 |
| 3.4.2 模型输入与输出 |
| 3.4.3 数据归一化处理 |
| 3.4.4 模型构建 |
| 3.5 场次洪水模拟结果评价标准 |
| 3.6 本章小结 |
| 第四章 KNN-FWA-ELM洪水预报模型实例应用 |
| 4.1 ELM模型洪水预报 |
| 4.1.1 场次洪水模拟 |
| 4.1.2 模拟结果评价 |
| 4.2 KNN-FWA-ELM模型洪水预报 |
| 4.2.1 场次洪水模拟 |
| 4.2.2 模拟结果评价 |
| 4.3 KNN-FWA-ELM与 ELM模型场次洪水模拟结果对比分析 |
| 4.3.1 所有场次洪水模拟结果对比 |
| 4.3.2 不同时期场次洪水模拟结果对比 |
| 4.3.3 不同等级场次洪水模拟结果对比 |
| 4.4 本章小结 |
| 第五章 KNN-FWA-ELM洪水预报模型适用性研究 |
| 5.1 HEC-HMS模型构建及场次洪水模拟 |
| 5.1.1 模型原理及构建 |
| 5.1.2 场次洪水模拟及结果评价 |
| 5.1.3 不同等级场次洪水模拟 |
| 5.2 KNN-FWA-ELM模型与HEC-HMS模型模拟结果对比分析 |
| 5.2.1 所有场次洪水模拟结果对比 |
| 5.2.2 不同时期场次洪水模拟结果对比 |
| 5.2.3 不同等级场次洪水模拟结果对比 |
| 5.2.4 不同洪水特征值模拟结果对比 |
| 5.2.5 KNN-FWA-ELM洪水预报模型的适用性 |
| 5.3 KNN-FWA-ELM洪水预报模型在王家沟试验小区的适用性 |
| 5.3.1 王家沟试验小区概况 |
| 5.3.2 KNN-FWA-ELM模型在王家沟试验小区的适用性 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 6.3 创新点 |
| 参考文献 |
| 附图 |
| 致谢 |
| 攻读博士学位期间主要研究工作 |
| 1.攻读博士学位期间参加的科研项目 |
| 2.攻读博士学位期间发表的论文 |
（9）神经网络在洪水预报中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文的研究背景 |
| 1.2 论文的研究意义 |
| 1.3 国内外水文预报的发展和现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 人工神经网络在水文预报中的应用 |
| 1.5 人工神经网络与洪水预报结合的优势 |
| 1.6 本文研究的主要目的和内容 |
| 1.6.1 研究的主要目的 |
| 1.6.2 研究的主要内容 |
| 1.6.3 论文的组织结构 |
| 第二章 人工神经网络基本知识 |
| 2.1 人工神经网络概述 |
| 2.1.1 人工神经网络的概念 |
| 2.1.2 生物神经元 |
| 2.1.3 人工神经元 |
| 2.2 人工神经网络的发展历程 |
| 2.3 人工神经网络原理及工作方式 |
| 2.3.1 人工神经网络的原理 |
| 2.3.2 神经网络的工作方式 |
| 2.4 传递函数及学习规则 |
| 2.4.1 传递函数 |
| 2.4.2 学习规则 |
| 2.5 人工神经网络的分类及主要模型 |
| 2.5.1 人工神经网络的分类 |
| 2.5.2 常用人工神经网络模型 |
| 2.6 本章小结 |
| 第三章 BP 神经网络分析 |
| 3.1 BP 网络的分析 |
| 3.1.1 误差指数 |
| 3.1.2 偏导数误差的计算 |
| 3.1.3 反向传播递推网络敏感性 |
| 3.2 使用 BP 神经网络建模的注意事项 |
| 3.3 BP 网络的缺陷及改进 |
| 3.3.1 BP 网络的缺陷 |
| 3.3.2 BP 网络的改进 |
| 3.4 本章小结 |
| 第四章 BP 神经网络在洪水预报中的应用 |
| 4.1 流域概况及其资料分析 |
| 4.1.1 流域概况 |
| 4.1.2 洪水气候特征 |
| 4.1.3 资料分析与整理 |
| 4.2 BP 网络洪水预报模型的建立 |
| 4.2.1 数据预处理 |
| 4.2.2 BP 神经网络设计的基本方法 |
| 4.2.3 模型的设计和建立 |
| 4.2.4 模型的训练及分析 |
| 4.3 BP 模型预测结果及分析 |
| 4.3.1 洪水预报精度评定的规定 |
| 4.3.2 预报结果及分析 |
| 4.4 预报模型的优缺点 |
| 4.5 本章小结 |
| 第五章 BP 网络洪水预报模型的优化设计 |
| 5.1 遗传算法 |
| 5.1.1 遗传算法的简介 |
| 5.1.2 遗传算法的构成要素 |
| 5.2 BP 神经网络与遗传算法的结合 |
| 5.3 优化预报模型的步骤 |
| 5.3.1 步骤一：参数设定和种群初始化 |
| 5.3.2 步骤二：设计适应度函数 |
| 5.3.3 步骤三：遗传操作 |
| 5.3.4 步骤四：进化终止判断 |
| 5.3.5 步骤五：BP 网络训练 |
| 5.4 优化后的模型预报测试 |
| 5.5 本章小结 |
| 第六章 结论 |
| 致谢 |
| 参考文献 |
| 攻硕期间取得的研究成果 |
（10）基于人工神经网络的渭河上游洪水预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究区概况 |
| 1.3 洪水预报的国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 人工神经网络在洪水预报中的研究现状 |
| 1.5 研究目的及方法 |
| 1.5.1 目的及创新点 |
| 1.5.2 研究的意义 |
| 1.5.3 研究的主要内容 |
| 1.5.4 文章的组织结构 |
| 第二章 人工神经网络及遗传算法 |
| 2.1 人工神经网络概述 |
| 2.1.1 人工神经网络的概念 |
| 2.1.2 人工神经网络的发展历程 |
| 2.2 人工神经网络的基础 |
| 2.2.1 生物神经元 |
| 2.2.2 人工神经元 |
| 2.3 人工神经网络基本模型及工作方式 |
| 2.3.1 人工神经网络的基本原理 |
| 2.3.2 神经网络的工作方式 |
| 2.4 激活函数及学习规则 |
| 2.4.1 激活函数 |
| 2.4.2 学习规则 |
| 2.5 人工神经网络的分类及主要模型 |
| 2.5.1 人工神经网络的分类 |
| 2.5.2 常用模型 |
| 2.6 遗传算法 |
| 2.6.1 遗传算法的起源与发展 |
| 2.6.2 遗传算法的基本术语 |
| 2.6.3 遗传算法的求解过程 |
| 2.7 小结 |
| 第三章 BP神经网络模型的研究 |
| 3.1 BP神经网络模型 |
| 3.1.1 误差指数 |
| 3.1.2 偏导数的计算 |
| 3.1.3 敏感性的反向传播 |
| 3.2 BP建模的几点注意 |
| 3.3 BP模型的缺点及模型的改进 |
| 3.3.1 BP模型的缺点 |
| 3.3.2 BP模型的变形 |
| 3.4 小结 |
| 第四章 BP神经网络在洪水预报中的应用 |
| 4.1 基本的BP模型的建立 |
| 4.1.1 输入输出数据的选择 |
| 4.1.2 BP模型的参数选择 |
| 4.2 基本的BP模型在洪水预报中的应用 |
| 4.2.1 数据预处理 |
| 4.2.2 仿真结果的精度评定 |
| 4.2.3 基于A模型的神经网络应用 |
| 4.2.4 基于B模型的神经网络应用 |
| 4.2.5 基于C模型的神经网络应用 |
| 4.2.6 综合分析 |
| 4.3 本章小结 |
| 第五章 基于改进BP模型的洪水预报 |
| 5.1 模型拟合与泛化能力的矛盾 |
| 5.2 改进模型的建立 |
| 5.2.1 遗传算法优化BP模型的可行性 |
| 5.2.2 GA-BPLM模型的建立 |
| 5.2.3 GA-BPBR模型的建立 |
| 5.3 利用改进后的BP模型进行预测 |
| 5.3.1 改进模型在A模型下的应用 |
| 5.3.2 改进模型在B模型的应用 |
| 5.3.3 模型结果对比 |
| 5.4 延长预见期的洪水预报 |
| 5.4.1 预报期24小时 |
| 5.4.2 其他预报期 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 在学期间的研究成果 |
| 致谢 |
四、门限人工神经网络模型及其在洪水预报中的应用（论文参考文献）
- [1]秦巴山区中小河流洪水预警预报系统研究 ——以引汉济渭调水工程施工区为例[D]. 刘刚. 西安理工大学, 2021(01)
- [2]基于深度学习的水库洪水预报研究[D]. 周唱. 山东大学, 2021(12)
- [3]基于风险分摊的梯级水库汛期水位动态控制及决策研究[D]. 李宁宁. 华北电力大学(北京), 2021(01)
- [4]嫩江-库漠屯站以上流域的洪水预报研究[D]. 郑海洋. 大连理工大学, 2021(01)
- [5]松花江流域中长期径流预报研究[D]. 朱春苗. 西北农林科技大学, 2021(01)
- [6]多源卫星数据在尼尔基入库流量预报中的应用[D]. 潘爽. 大连理工大学, 2021(01)
- [7]基于数据融合的丰满水库长期径流预报研究[D]. 雷冠军. 中国水利水电科学研究院, 2020(04)
- [8]黄土区典型中小流域洪水预报KNN-FWA-ELM模型及其适用件研究[D]. 任娟慧. 太原理工大学, 2019(03)
- [9]神经网络在洪水预报中的应用研究[D]. 侯翔. 电子科技大学, 2013(07)
- [10]基于人工神经网络的渭河上游洪水预报研究[D]. 闵祥宇. 兰州大学, 2011(11)