水科學(xué)信息分析計算新方法及其應(yīng)用.pdf

1、水科學(xué)信息分析計算長期以來都是國內(nèi)外研究的熱點，一直處于積極探索和不斷發(fā)展之中，特別是近一二十年，隨著科學(xué)技術(shù)的進步，涌現(xiàn)了大量既有理論深度又有應(yīng)用價值的研究成果，使這個領(lǐng)域的深入研究具有廣闊的空間。 本論文依托973國家重點基礎(chǔ)研究發(fā)展規(guī)劃項目“長江中下游湖泊富營養(yǎng)化發(fā)展趨勢預(yù)測方法研究”（NO．2002CB412301）和國家自然科學(xué)基金項目“基于子波和分形理論的水文尺度分析新途徑”（NO．40271024），在總結(jié)吸收相關(guān)

2、前人研究成果的基礎(chǔ)上，基于大量實際水文水資源資料，運用現(xiàn)代智能科學(xué)的有關(guān)新理論和新技術(shù)，系統(tǒng)地研究和完善了部分水科學(xué)信息分析計算的新方法，提出了多種耦合預(yù)測模型，廣泛適用于水科學(xué)和其它相關(guān)領(lǐng)域。此外，本文發(fā)現(xiàn)并明確指出了傳統(tǒng)小波分解耦合預(yù)測方法的不足，并針對不足提出了信號倒置小波分解和信號滑動小波分解解決方案，對于科學(xué)合理地使用小波分析具有重要的指導(dǎo)意義和較高的實用價值。概括起來，本論文的主要研究內(nèi)容和成果包括以下幾個方面（各部分之間的

3、聯(lián)系請見第20頁圖1．1）： （1）全面系統(tǒng)地引入針對小樣本數(shù)據(jù)且具有優(yōu)良推廣性能的支持向量機方法（SVM），將SVM初步應(yīng)用于水電邊坡穩(wěn)定性預(yù)測、水流挾沙力預(yù)測和年用電量預(yù)測等實例，獲得了較傳統(tǒng)方法更好的效果；如何合理選擇SVM的參數(shù)，目前仍缺乏有效的方法，這嚴重限制了SVM的實際應(yīng)用，為此首先嘗試引入了免疫進化算法（IEA）來優(yōu)化SVM核函數(shù)參數(shù)，取得了一定的效果：考慮到SVM的參數(shù)有多個，提出基于群體智能的優(yōu)化算法將是一個

4、更好的選擇。 （2）引入基于群體智能的粒子群優(yōu)化算法（PSO），將PSO算法應(yīng)用于暴雨強度公式參數(shù)優(yōu)化、地下水位動態(tài)分析參數(shù)優(yōu)化和水環(huán)境參數(shù)優(yōu)化等實例，表明PSO算法是一種簡單、高效的優(yōu)化方法，適用于多維、連續(xù)函數(shù)的優(yōu)化。 （3）將支持向量機與粒子群優(yōu)化算法進行有機結(jié)合，提出了適用于小樣本數(shù)據(jù)分析計算的粒子群優(yōu)化支持向量機耦合預(yù)測模型（PSO-SVM）；PSO-SVM既利用了PSO算法的群體并行、高效尋優(yōu)特性，又利用了S

5、VM較強的學(xué)習(xí)和推廣能力，對于水科學(xué)中的小樣本預(yù)測具有一定的優(yōu)勢和較高的實用價值。 （4）考慮到PSO-SVM方法目前僅適用于小樣本的局限，將人工神經(jīng)網(wǎng)絡(luò)（ANN）與粒子群優(yōu)化算法進行有機結(jié)合，提出了粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)耦合預(yù)測模型（PSO-ANN）；PSO-ANN采用PSO算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，并利用了前饋神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)輸入和輸出的任意非線性映射的函數(shù)逼近能力，為解決水科學(xué)中較大樣本的預(yù)測問題提供了一條新的有效途徑

6、。 （5）鑒于PSO-ANN方法在長江寸灘站多預(yù)見期日流量預(yù)測和黃河三門峽站年徑流預(yù)測上與小波分解耦合預(yù)測方法相比的精度不夠高，開展了小波分析（Wavelet Analysis）方面的研究；通過深入剖析異常的預(yù)測結(jié)果，發(fā)現(xiàn)了傳統(tǒng)小波分解耦合預(yù)測方法的不足，并提出了相應(yīng)的信號倒置小波分解和信號滑動小波分解解決方案，建立了符合實際預(yù)測要求的小波與粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)耦合預(yù)測模型（W-PSO-ANN）；實例研究表明，在預(yù)測模型中合理的引