共查询到10条相似文献，搜索用时 328 毫秒
1.
为研究确定四川省冕宁县山洪灾害临界雨量,及时采取减灾避灾措施,根据冕宁县14个雨量站和气象站的资料,选取山洪灾害发生的关键因子:日时段降雨量和降雨强度,建立BP神经网络预测模型.然后用遗传算法对BP神经网络的权值和阈值进行优化,建立GA-BP预测模型.与BP预测模型相比,GA-BP预测模型能有效克服BP模型训练时间长,易陷入局部最优的缺陷,在临界雨量预测精度方面,GA-BP模型预测的平均相对误差为1.96％,而BP模型预测的平均相对误差为7.22％,明显提高了预测精度.这一临界雨量预测方法与结果,进一步修正完善后将试用于冕宁县山洪灾害监测预警系统. 相似文献
2.
3.
为了探究适合全射流喷头多因素下射程的预测模型,通过改变喷头工作压力、安装高度、喷嘴直径、喷头仰角共4个参数,对射程进行测量.基于BP神经网络和广义径向基(RBF)神经网络的基本原理和算法,建立了全射流喷头射程预测的BP和RBF神经网络模型,并分析BP和RBF神经网络的预测性能.结果表明射程与工作压力、喷嘴直径呈非线性关系;当喷头在1.2 m安装高度、27°仰角、4~10 mm喷嘴直径时,压力增大到0.4 MPa,射程趋于极限,并且安装高度与射程呈正相关关系.BP与RBF神经网络均能较好地表达全射流喷头射程与主控因素之间的非线性关系.在训练时间方面,RBF网络比BP网络慢8.05 s;预测过程中,BP网络在每次运行程序时的预测结果不一定相同,而RBF网络则不会出现此问题,且RBF网络预测值与实测值之间的平均绝对误差比BP网络的小3.55%.从网络预测总体效果观察,RBF神经网络预测喷头射程具有更好的推广能力. 相似文献
4.
5.
研究根据室内尿素水解试验资料,建立了以温度、水分、时间为输入因子,尿素态氮含量为输出因子,拓扑结构为3-2-1的BP神经网络预测模型,以及Verhulst灰色预测模型和零级动力学模型,并分析比较了三种模型的预测效果。结果表明:3种预测模型均能满足模拟精度要求,所建立BP神经网络模型模拟值与实测值的平均相对误差、相关系数和决定系数分别为2.39%、0.992 4和0.984 5,具有较高的预测精度和良好的稳定性,并且模拟效果明显优于Verhulst灰色预测模型和零级动力学模型,可以较好地描述尿素水解动态变化过程,为尿素水解定量研究提供了精确的科学依据。 相似文献
6.
《灌溉排水学报》2021,40(6)
【目的】对位山闸改建后的引水能力进行预测。【方法】利用RBF神经网络非线性拟合能力强和遗传算法寻优能力强的优点,建立一种基于遗传算法(GA)优化RBF神经网络隐层各参数的位山闸引水能力预测模型,模型输入变量为闸门开数、闸前、闸后水深和季节因子(受汛期影响,汛期内季节因子为1,非汛期内季节因子为2),输出变量为实测过闸流量,利用现状水情数据组成的样本集对该模型进行训练和检验,检验训练后的模型平均误差为1.64%,证明预测效果较好。【结果】汛期时引水能力能满足设计要求;非汛期时,引水能力随闸后水头降低而增大,考虑闸后输沙渠下挖改造方案,基本也能满足设计要求。【结论】GA-RBF模型在位山闸引水能力预测上适应性强,预测精度高,有一定的推广应用价值。 相似文献
7.
为解决应用无线传感器网络技术监测农田信息时无法快速预测射频信号路径损耗的问题,基于神经网络理论研究了田间路径损耗与其影响因素间的关系。试验中选取915和2 470 MHz 2个载波频率,在冬小麦的不同生长阶段测量射频信号在田间各影响因素作用下的路径损耗,建立和验证基于神经网络的射频信号田间路径损耗预测模型。所建立模型模拟值与实测值的相关系数为0.92,应用建立的神经网络预测田间射频信号路径损耗并与实测值对比,最大预测误差绝对值为4.186 dB,最大预测标准差为2.759 dB,预测准确度为94.2%。所建立的BP网络可以对田间射频信号路径损耗进行预测。 相似文献
8.
9.
基于神经网络的车辆排气噪声声音品质预测技术 总被引：1，自引：0，他引：1
通过评审团成对比较法测试得到18种车辆排气噪声的满意度评价,考察并选取响度、尖锐度、粗糙度、波动度和峭度作为描述车辆排气噪声声音品质的客观心理声学参数,使用BP神经网络理论建立车辆排气噪声声音品质神经网络预测模型,对排气噪声样本的满意度进行预测,并与使用多元线性回归模型所得的预测值进行了比较.结果表明,神经网络模型预测值更接近实测值,误差在10%范围以内,对于单一噪声样本满意度的预测精度高于多元线性回归模型,能够更好地反映客观参数和主观满意度间的非线性关系,可用于车辆排气噪声声音品质的预测研究. 相似文献
10.
为了有效提高非平稳非线性径流序列的预测精度,采用具有自适应序列特征的时变滤波经验模态分解(TVF-EMD)与长短期记忆神经网络(LSTM)耦合,构成TVF-EMD-LSTM预测模型.首先利用TVF-EMD方法自适应地将径流序列分解为高频序列和低频序列;进而,利用LSTM神经网络对分解后的序列分别预测;最终,将预测结果加... 相似文献