基于人工智能法的冰塞厚度及水位预测分析

摘要

冰塞水位及冰塞厚度的预测分析不但对冰塞发展机理研究有着重要的意义，同时也可以为堤防、水工构筑物的建设以及防凌减灾工作提供参考。基于支持向量机、传统BP人工神经网络、遗传算法优化神经网络以及多元回归分析四种方法，对黄河河曲段的实测数据进行了本断面和上下断面间的冰塞水位和厚度预测；也对实验室180°弯道冰塞试验13个断面所测得的数据资料以及实验室壅水试验中7个观测断面测得的数据资料进行了分析，采用以上四种方法建立了实验室冰塞水位和厚度预测模型。将所得预测值与实测值进行了资料范围内的对比，同时也对四种方法的预测效果进行了分析对比。由对比结果可以看出，无论是在天然河道中还是实验室条件下，和多元回归分析方法相比，支持向量机、BP人工神经网络、遗传算法优化神经网络等人工智能方法在预测精度和对复杂环境适应性方面都存在优势，其中遗传算法优化神经网络模型优势更为明显，本文的研究可为冰冻区河流建立冰情预报模型提供有益的参考。

目录

文摘

英文文摘

论文说明:图表目录

声明

致谢

第一章绪论

1.1概述

1.2冰凌灾害的几种型式

1.3冰塞的形成发展过程

1.3.1冰盖形成条件及机理

1.3.2冰塞的形成和机理

1.3.4冰塞引起的水位变化

1.4冰塞预报基本方法

1.4.1经验模型

1.4.2极限模型

1.4.3统计模型

1.4.4回归模型

1.4.5逻辑回归

1.4.6判别式函数分析

1.4.7人工智能模型

1.5试验条件简述

1.6本课题的来源、目的及意义

第二章冰塞厚度、冰塞水位回归计算基本原理

2.1回归计算简介

2.2冰塞水位回归计算原理及应用

2.2.1天然河道冰塞水位回归计算原理

2.2.2计算应用

2.2.3实验室弯道冰塞水位回归计算原理及应用

2.3冰塞厚度回归计算原理及应用

2.3.1天然河道冰塞厚度回归计算原理

2.3.2在天然河道中的应用

2.3.3实验室180°弯道冰塞厚度回归计算公式及应用

2.4本章小结

第三章基于BP神经网络预测冰塞厚度及水位

3.1BP神经网络简介

3.1.1BP学习算法的步骤

3.1.2BP神经网络的优缺点

3.1.3BP神经网络模型的MATLAB实现

3.2BP神经网络模型预测天然冰塞厚度及水位

3.2.1本断面前后期冰塞厚度及水位预测

3.2.2上下断面间冰塞厚度及水位预测

3.3神经网络预测实验室弯道冰塞厚度及水位

3.4本章小结

第四章基于支持向量机预测冰塞厚度及水位

4.1支持向量机基本原理

4.1.1统计学习理论

4.1.2支持向量机优化算法

4.1.3模型参数优化

4.2支持向量机模型预测天然冰塞厚度及水位

4.2.1本断面前后期冰塞厚度及水位预测

4.2.2上下断面间冰塞厚度及水位预测

4.3支持向量机预测实验室弯道冰塞厚度及水位

4.4本章小结

第五章基于遗传算法优化神经网络预测冰塞厚度及水位

5.1遗传算法概述

5.1.1遗传算法的概念

5.1.2遗传算法的运行过程

5.2遗传算法(GA)在BP神经网络学习中的应用

5.3遗传算法优化神经网络预测冰塞水位及冰塞厚度的实现

5.3.1遗传算法的改进及网络结构的确定

5.3.2初始化

5.3.3目标函数与适应值函数选择

5.3.4选择运算

5.3.5交叉运算

5.3.6变异运算

5.3.7终止条件的判别

5.3.8解码

5.3.9BP神经网络的训练和模拟

5.4实际应用

5.4.1天然河道本断面冰塞厚度及冰塞水位预测

5.4.2天然河道由上断面对下断面的冰塞厚度与冰塞水位进行预测

5.4.3实验室弯道冰塞厚度及水位预测

5.5本章小结

第六章结果分析与展望

6.1预测结果分析对比

6.1.1天然河道本断面前后期冰塞水位预测值对比分析

6.1.2天然河道上下断面冰塞水位预测值对比分析

6.1.3本断面前后期冰塞厚度预测值对比分析

6.1.4上下断面冰塞厚度预测值对比分析

6.1.5实验室弯道冰塞水位预测值对比分析

6.1.6实验室弯道冰厚预测值对比分析

6.2结论与讨论

6.3展望

参考文献

攻读硕士学位期间发表的论文